Kontext
Kompressoren und andere rotierende Maschinen werden in der Regel durch integrierte Grenzwertschalter und regelmäßige Kontrollgänge abgesichert. Beides erkennt Probleme häufig erst spät. Ein Grenzwert löst erst dann aus, wenn eine Störung so weit fortgeschritten ist, dass ein einzelner Messwert seinen zulässigen Bereich verlässt. Manche sich entwickelnden Störungen bringen jedoch keinen einzigen Messwert je weit genug aus dem Bereich, um überhaupt eine Auslösung zu bewirken. Der naheliegende Gegenentwurf, ein Modell aus vergangenen Ausfällen zu lernen, stößt in der Praxis an eine Grenze: Ausfälle sind selten, und wenn sie auftreten, werden sie oft nur ungenau oder gar nicht dokumentiert. An vielen Standorten liegt schlicht keine verwertbare Störungshistorie vor.
Was wir untersucht haben
Wir haben ein Überwachungsmodell entwickelt, das die normalen Zusammenhänge zwischen den Signalen erlernt, die die Maschine ohnehin liefert. Jedes Signal wird aus den übrigen geschätzt. Weicht die Maschine vom erlernten Verhalten ab, stimmen Schätzung und Messung nicht mehr überein. Diese Abweichung wird zu einer einzigen Anomaliekennzahl zusammengefasst. Das Modell basiert auf einer Klasse leichtgewichtiger Machine-Learning-Verfahren (Reservoir Computing), die gut für Zeitreihensignale und den Embedded-Einsatz geeignet sind. Validiert wurde es auf einem öffentlich verfügbaren Datensatz, der mehrere Monate Dauerbetrieb sowie mehrere reale Ausfälle umfasst. Informationen zu den Ausfällen flossen weder in das Training noch in die Festlegung der Alarmschwelle ein.
Was sich gezeigt hat
Das Modell erkannte sämtliche im Datensatz enthaltenen Ausfälle, darunter einen, auf den der Druckschalter der Anlage zu keinem Zeitpunkt reagierte. Bei einem weiteren Ausfall schlug es früher Alarm. Da jedes Signal einzeln geschätzt wird, weist die Kennzahl zugleich darauf hin, welches Signal sich auffällig verhält.
Dies könnte auf Ihre Anlagen zutreffen
Falls Sie Kompressoren, Pumpen oder andere rotierende Maschinen betreiben, die vorwiegend über Grenzwertschalter und regelmäßige Kontrollgänge überwacht werden, könnte sich dieser Ansatz lohnen. Besonders geeignet ist er dort, wo reichlich Daten aus dem Normalbetrieb vorliegen, Aufzeichnungen zu Ausfällen jedoch kaum vorhanden sind. Falls Sie über belastbare Störungsaufzeichnungen verfügen, lässt sich damit der Auslösepunkt des Alarms zusätzlich nachjustieren. Ein kurzes Gespräch genügt in der Regel, um festzustellen, ob Ihr Fall für diesen Ansatz geeignet ist.