Anomalieerkennung an Pumpen, mit einer Alarmschwelle aus Ihren eigenen Störungsaufzeichnungen

Kontext

Die Alarmschwelle einer Pumpe stammt meist aus Herstellerangaben oder aus der Erfahrung im Betrieb. Ob dieser Wert richtig liegt, lässt sich in der Praxis kaum überprüfen.

Ist die Schwelle zu niedrig angesetzt, werden Mitarbeiter zu Maschinen geschickt, an denen nichts zu finden ist. Wiederholt sich das, nimmt niemand den Alarm mehr ernst. Ist sie zu hoch angesetzt, kommt die Meldung, wenn für Ersatzteilbeschaffung und Personalplanung keine Zeit mehr bleibt.

Sorgfältig geführte Instandhaltungsaufzeichnungen sind an vielen Standorten vorhanden. Sie fließen in Berichte ein und bleiben danach meist ungenutzt.

Was wir untersucht haben

Wir haben ein Überwachungsmodell entwickelt, das aus den Signalen, die die Pumpe ohnehin liefert, deren normale Zusammenhänge erlernt. Jedes Signal wird aus den übrigen geschätzt, und die Abweichung zwischen Schätzung und Messung wird zu einer einzigen Anomaliekennzahl zusammengefasst. Grundlage ist eine Klasse leichtgewichtiger Machine-Learning-Verfahren (Reservoir Computing), die sich für Zeitreihensignale und den Embedded-Einsatz eignet.

Anschließend wurde die Alarmschwelle anhand der dokumentierten Ausfälle kalibriert. Wir haben den Schwellenwert über den gesamten Bereich schrittweise variiert und für jede Einstellung erfasst, wie viel Vorwarnzeit sie vor dem Ausfall geliefert hätte und wie viele Alarme im Normalbetrieb ausgelöst worden wären.

Validiert wurde das Modell auf einem öffentlich verfügbaren Datensatz zum Pumpenbetrieb mit mehreren dokumentierten Ausfällen.

Was sich gezeigt hat

Das Verhältnis von Vorwarnzeit zu Fehlalarmen liegt damit in Zahlen vor und muss nicht geschätzt werden. Die Schwelle lässt sich entsprechend bewusst wählen: mehr Vorlauf, wo Ersatzteile lange Lieferzeiten haben, weniger Unterbrechungen, wo das nicht der Fall ist. Zugleich zeigt die Kennzahl, welches Signal sich verändert.