Fehlalarm oder Ernstfall? Sensorsystem erkennt Störungsursachen an schwer zugänglichen Anlagen

Schlägt ein Sensor an einem Zaun oder einer Windkraftanlage Alarm, ist in der Regel nicht klar, ob tatsächlich das Wartungsteam im Marsch gesetzt werden muss oder ob es sich um einen Fehlalarm handelt. Denn der Sensor erfasst nicht die Störungsursache. Eine KI-basierte Lösung könnte dieses Problem jetzt lösen.

Alles nur blinder Alarm? Oder muss das Wartungsteam sofort handeln, wenn Sensoren der Industrieanlage nachts Warnsignale senden? Ein neues Sensorsystem erkennt Störungen anhand der Signalmuster von Sensoren und ordnet diese den Ursachen zu. Das Team von Experimentalphysiker Prof. Uwe Hartmann an der Universität des Saarlandes wertet seit Jahren Signalmuster aus: Für ein Sensorkabel, das Zaunanlagen überwachen kann, grenzen sie Störungen von Fehlalarmen ab.

Das gesammelte Wissen über Mustererkennung machen sie mit KI-Methoden und maschinellem Lernen universell einsetzbar und entwickeln eine Software, die bei Störmeldung an Zäunen, aber auch Windkraft- oder Industrieanlagen für Klarheit sorgt.

Sensordaten wird automatisch die jeweilige Ursache der Störmeldung zugeordnet

Eine Vielzahl von Sensoren überwacht heute an Windkraftanlagen alle möglichen Funktionen. Zeigen Messergebnisse größere Schwingungen der Rotorblätter an, ist das Wartungsteam alarmiert. Die Rotorblätter könnten vereist sein und das Rad beim Drehen eine Unwucht haben. Auch könnte das Getriebe beschädigt sein und Vibrationen erzeugen. Es könnte aber auch alles eine harmlose Ursache haben – wie starke Windböen, die an der Gondel zerren. Das Rad würde sich dann unnötig abschalten und die lange Anfahrt des Wartungsteams – bei Offshore-Windparks gar bis aufs Meer – wäre umsonst.

In solchen Fällen ebenso wie bei Sensoren, die an schwer zugänglichen Industrieanlagen oder Maschinen vor gefährlichen Schwingungen warnen, könnte in Zukunft die Software eines neuen Sensorsystems für Klarheit sorgen: Die Arbeitsgruppe von Uwe Hartmann entwickelt an der Universität des Saarlandes ein Verfahren, das Sensordaten automatisch die jeweilige Ursache der Störmeldung zuordnet.

Körperschallsensorik

InDTact: Mit Sensorik zum "Machine Feeling"

„Dies erfolgt über Mustererkennung. Die Signalmuster der Sensordaten unterscheiden sich je nach Art der Störung. Durch unsere bisherigen Forschungen können wir etliche Arten von Erschütterungen, Schwingungsänderungen und Änderungen des Magnetfeldes einzelnen Ursachen zuordnen und von Fehlalarmen unterscheiden. Diese Erkenntnisse machen wir jetzt mit KI-Methoden übertragbar“, erklärt Uwe Hartmann, Professor für Nanostrukturforschung und Nanotechnologie.

Magnetfeld- und Beschleunigungssensoren in Kombination

Seit fast zwanzig Jahren erforschen Hartmann und sein Team Datenmuster von Sensorsignalen, so auch von Erschütterungen an Zäunen: Sie entwickeln unter anderem Sensorsysteme in Kabeln, die Zaunanlagen großflächiger Areale wie Flughäfen oder Lagerhallen überwachen können. Dafür grenzen sie Störungen wie Zerschneiden oder Überklettern der Zäune von Fehlalarmen etwa durch Wind oder Tiere ab.

Zum einen verwenden die Forscher Magnetfeldsensoren: Diese haben sie immer sensibler und selektiver weiterentwickelt. Sie nehmen einige Meter in jede Richtung jede noch so kleine Änderung des Erdmagnetfeldes wahr. In normaler Umgebung, ohne Vakuum, tiefe Temperaturen oder Abschirmung und trotz Störquellen spüren sie Magnetfelder auf, die annähernd eine Million Mal kleiner sind als das Erdmagnetfeld. Bislang erfassten solche Sensoren unter normalen Bedingungen nur Magnetfelder, die etwa tausend Mal kleiner als das Erdmagnetfeld sind.

Jetzt hat die Arbeitsgruppe zusätzlich Beschleunigungssensoren integriert, um die Empfindlichkeit der Messung noch weiter zu erhöhen. In zahlreichen Versuchsreihen simulierte das Team an Zäunen etliche Arten von Störungen. Die typischen Signalmuster, die dabei entstehen, ordneten sie den jeweiligen Ursachen zu.

Sensorik und KI

Das holographische Prinzip für Predictive Maintenance nutzen

„Über Jahre hinweg haben wir unsere Verfahren optimiert, um die entscheidenden Daten sauber herauszulesen und von Störfaktoren und Datenrauschen abzugrenzen“, erklärt Physiker Haibin Gao aus Hartmanns Forscherteam. Anhand der charakteristischen Messwerte und Signalmuster können die Forscher nun genau erkennen, ob die Erschütterungen daher rühren, dass sich ein Mensch am Zaun zu schaffen macht oder ob sich doch nur ein Tier daran reibt, der Wind daran rüttelt oder ein Ball dagegen fliegt.

Datenmuster mathematisch modelliert und in Algorithmen übersetzt

Diese Datenmuster – ob Fehlalarm oder Störfall – haben die Forscher mathematisch modelliert, in Algorithmen übersetzt und die Auswerteeinheit immer detailreicher programmiert und verfeinert. „Wir entwickeln Modelle, um mit maschinellem Lernen Sensordatenmuster zu identifizieren.

Das System erkennt typische Muster, ordnet sie mithilfe intelligenter Algorithmen selbstständig Störungen zu und unterscheidet Rauschen und andere Ursachen“, erläutert der Informatik- und Elektrotechnik-Student Melvin Chelli, der in der Arbeitsgruppe zusammen mit den weiteren Studenten Ishwar Mudraje, Dennis Quint und Bharat Gulab Patil an der Arbeit beteiligt ist.

„Da die gesamte Auswertung computergestützt erfolgt, kann sie modular für verschiedene Anwendungen angepasst werden. Die jeweiligen spezifischen Erschütterungsmuster kann sich das intelligente Sensorengeflecht quasi in Echtzeit selbst beibringen“, erläutert Uwe Hartmann. Bewertet dann das System die Lage etwa am Windrad auf See als wirklich ernst, alarmiert es via Bluetooth und Smartphone oder Tablet das Wartungsteam. Und zwar nur dann – und nicht bei blindem Alarm.

Das Projekt „Entwicklung von neuartigen magnetosensorischen Techniken und Überwachungsverfahren“ wird seit August 2019 bis Dezember 2021 mit insgesamt 350.000 Euro aus dem Europäischen Fonds für regionale Entwicklung EFRE gefördert. Die zugrunde liegenden Forschungsprojekte wurden unter anderem gefördert von der Europäischen Union, und vom Bundesforschungsministerium.

(ID:46530765)