Bessere Früherkennung von Fehlfunktionen durch sogenannte Autoencoder
Haben Sie schon mal von Predictive Maintenance gehört? Wir besprechen im heutigen Interview die Anamalieerkennung als Teilgebiet der vorrausschauenden Wartung. KI-Experte Martin Schiele, Geschäftsführer der AI-UI GmbH klärt auf, wie sogenannte Autoencoder funktionieren und welche Rolle Künstliche Intelligenz in diesem Zusammenhang spielt.
Sofern Sie besonderen Wissensbedarf zur Thematik haben, sind Sie herzlich eingeladen, Ihre Wunschfragen an [email protected] zu senden, um so die Ausrichtung unserer Blogreihe mitzugestalten.
Was hat Predictive Maintenance mit Anomalieerkennung zutun?
Predictive Maintenance ist ein Überbegriff für alle Funktionen, die dazu dienen Systemverhalten vorherzusagen, um Fehlfunktionen vorzubeugen oder Wartungsintervalle zu planen. Anomalieerkennung ist der Predictive Maintenance daher untergeordnet, weil sie direkt Fehlverhalten von Systemen aufdecken soll, auch wenn es sich um hunderte von Variablen handelt.
Was heißt Anomalieerkennung im Kontext der Industrie 4.0?
Maschinenhersteller und Unternehmen, die Prozesse überwachen, haben alle das gleiche Problem: Selbst, wenn Sie Ihre Systeme sehr gut kennen, ist die Menge an möglichen Fehlfunktionen, die das System in der realen Welt und nicht im Labor haben kann, enorm groß. Nehmen wir als Beispiel eine CNC-Fräsmaschine. Wahrscheinlich ist es üblich, dass Lager verschleißen und dieser Prozess in der Regel bei jedem Kunden über die Nutzungsdauer ähnlich abläuft. Was ist zu beachten, wenn die äußeren Rahmenbedingungen der Maschine geändert werden?
Angenommen ein bestimmter Kunde verrichtet seine Tätigkeit ausschließlich unter freien Himmel. Flugrost setzt sich an und führt zu unvorhersehbarem Systemverhalten. Welche Sensorwerte sollten dann betrachtet werden? Wie kommt man effektiv zu Erkenntnissen, ohne den Fehler je zuvor gesehen zu haben? Darum geht es beim heutigen Thema, nämlich Anomalien vollautomatisch zu erkennen und mit dem digitalen Finger auf die Systemgrößen zu zeigen, die sie auslösen.
Was ist das Problem in diesem Zusammenhang?
Angenommen wir haben eine Zeitreihe, einfache Messwerte, Sensordaten, irgendwelche Systemwerte, die konstant oder zu bestimmten Zeiten gemessen werden. Dann können Sie diese Werte über die Zeit auftragen, wie das folgende Bild veranschaulicht.
Arbeitet das System beispielsweise mit Temperaturen und es sollen Fehler im Temperaturbereich erkannt werden, kann in der Systemsoftware folgendes definiert werden: „Wenn Temperatur größer als 150°C, dann FEHLER!“. So kann das für alle Werte übertragen werden. Was geschieht aber, wenn das System hunderte oder tausende Messwerte umfasst und für viele gar nicht klar ist, welcher Bereich tatsächlich okay ist und welcher nicht? Und was ist, wenn 150°C generell okay sind, aber im Zusammenspiel mit einem anderen Wert zu Problemen führt? Dann helfen solche selbst geschriebenen „Wenn – Dann“ Programme, so wie sie nahezu überall derzeit Anwendung finden, wenig.
Wie genau kann KI hier helfen?
Das Zauberwort heißt Autoencoder. Ein Autoencoder ist nichts anderes als ein neuronales Netz, das versucht, Variablenzusammenhänge in einer Art Flaschenhals auf wenige Zusammenhänge herunterzubrechen. Eine Autoencoder-Architektur sehen Sie in folgender Illustration:
Man schickt also als Input, d.h. irgendwelche Werte in die KI und trainiert als Output dieselben Werte. Was bringt das? Das neuronale Netz lernt zu verstehen, wie die Variablen miteinander zusammenhängen, um sie auf geringere Dimensionalität herunterzubrechen.
wie hilft das jetzt bei Anomalieerkennung?
Nun ja, im Autoencoder trainiert man alles an, was OK ist. Das heißt, wir nehmen Messwerte aus der Maschine oder dem System, von denen wir wissen, dass diese gut sind. Dann lernt die KI diese Zusammenhänge. Tritt jetzt etwas auf, dass so nicht erlernt wurde, kann die KI die Zusammenhänge nicht korrekt rekonstruieren und zeigt an, bei welcher Variablen der Fehler auftritt.
Wie geht es dann weiter?
Wir wissen nicht zwangsläufig, was passiert ist, also welche der tausend Möglichkeiten, die zum Fehlverhalten führten, tatsächlich vorliegt (Wetter, Bedienung, Erdbeben, …). Es kann aber direkt eine Meldung herausgeben werden, die Service- und Technikpersonal darauf hinweist, bestimmte Systemfunktionen zu überprüfen. So ist es ohne viel Aufwand und mit geringen Kosten möglich, Havarien vorzeitig zu vermeiden oder Systeme wieder in den Optimalzustand zu versetzen.
Was sind in diesem Kontext wieder typische Anwendungsfälle?
Ein Großteil aller Predictive Maintenance Probleme lassen sich mit diesem einfachen Werkzeug adressieren. Man hat zunehmend weniger gut ausgebildete Maschinenführer vor Ort, die nicht genau wissen, was zu tun ist, um komplexe Systemdiagnosen abzuleisten. Servicepersonal ist teuer, nicht zuletzt wegen der Spesen. Mit Anomalieerkennung via Autoencoder ist es einschätzbar, wo das Problem liegt, noch bevor es kritisch wird.
Nehmen wir ein konkretes Beispiel. Ein Hersteller für Fertigungsmaschinen verwendet Führungen, die elektrisch oder elektrohydraulisch betrieben werden, um das in der Maschine befindliche Produkt geführt zu bewegen. Normalerweise gibt es da keine Probleme. Doch es könnte ein Metallspan in die Führung geraten und schlagartig würde das Antriebsmoment steigen, was nötig wäre, um das Produkt zu bewegen. Die Maschine würde das konsequent tun, weil sie programmiert wurde, ihr Ziel zu erreichen und keinem würde auffallen, dass etwas anders ist. Arbeitet die Führung unter diesen Bedingungen unerwartet weiter, ist mit schnellerem Verschleiß oder Havarie zu rechnen. Ein einfacher Hinweis zu unüblichem Maschinenverhalten oder „komischen Werten“ wäre hier Gold wert.
