FH Bielefeld
University of
Applied Sciences

Verteilte KI-basierte IoT-Lösungen zur Zustandsüberwachung und zum Störungsmanagement von intelligenten Pumpen

Verteilte-KI-basierte-gr


Projektübersicht

Anzahl Studierende 1
Art Projekt mit externen Partnern
Projektverantwortung Prof. Dr.-Ing. Thorsten Jungeblut
Projektkontext

Das beteiligte Unternehmen Timmer GmbH stellt umfangreiche Testdatensätze, sowie einen prototypischen Hardwareaufbau zur Verfügung. Eine Beschäftigung als wissenschaftliche Hilfskraft ist möglich. Die Timmer GmbH ist sehr an der Gewinnung und langfristigen Beschäftigung von Nachwuchskräften interessiert.

 

Video: Sensordatenfusion / Verteilte KI

 

Kurzbeschreibung

Die Entwicklungen im Bereich der intelligenten technischen Systeme (ITS) führen derzeit zu einem Umbruch in der gesamten Wertschöpfungskette der industriellen Produktion. Die zunehmende Leistungsfähigkeit der Informationsverarbeitung bietet für das Anwendungsgebiet der industriellen Bildverarbeitung viele neue Möglichkeiten, an denen Mensch und Maschinen bisher an ihre Grenzen stoßen. Insbesondere die Nutzung Maschineller Lernverfahren und Methoden der künstlichen Intelligenz versprechen bisher nicht gekannte Möglichkeiten beispielsweise in der Objektklassifikation oder der visuellen Qualitätskontrolle. Etwa seit dem Jahr 2010 werden mit Deep Neuronal Networks (DNN) bzw. Convolutional Neuronal Networks (CNN) bedeutende Fortschritte erzielt.

KI-gestützte Sensordatenfusion fasst die Daten einer Vielzahl von Sensoren zusammen, lernt statische gegenseitige Abhängigkeiten der Datenquellen und extrahiert die für den Prozess relevanten Informationen. Die Kombination unterschiedlicher Sensortypen kann dazu beitragen die Genauigkeit in der Auswertung, beispielsweise in der Zustandsüberwachung oder vorausschauenden Wartung, zu erhöhen, oder Mehrdeutigkeiten zu verringern. Sensorfusion kann dazu beitragen, die enormen Datenmengen, beispielsweise in komplexen Produktionsprozessen auf die wesentlichen Informationen zu reduzieren und die darauf aufbauenden Perzeptionsverfahren handhabbarer und effizienter zu gestalten.

Aufgabenstellung

Ziel des Projektes ist die Evaluation von Verfahren künstlichen Intelligenz bzw. maschinelle Lernverfahren für den Einsatz in der Zustandsüberwachung und vorausschauenden Wartung. Anhand der Auswertung hochaufgelöster und kontinuierlich anfallender Messdaten wie beispielsweise Spannung, Strom oder Ist-Position einer Doppelmembranpumpe soll auf den aktuellen Betriebszustand oder die momentane Leistung zurückgeschlossen werden. Über die zeitliche Analyse der Messdaten lassen sich
„normale“ Betriebszustände erkennen und von Anomalien oder schleichenden Änderungen

Verteilte-KI-basierte-x

unterscheiden. Solche Änderungen können auf in naher Zukunft zu erwartenden Schäden hinweisen. Die Auswertung der Messdaten soll sich aber nicht nur auf einzelne Sensoren beschränken, sondern es sollen auch die Daten einer Vielzahl von Sensoren fusionieren werden, um so weitaus genauere Informationen zum aktuellen Systemzustand des gesamten Prozesses zu erhalten. KI-/ML-Verfahren bieten hier neue Möglichkeiten, ggf. auch ohne Annotation durch menschliche Nutzer, Korrelationen zwischen verschiedenen Messgrößen zu erkennen, Anomalien bzw. Fehlerzustände vorherzusagen oder Prozesse effizienter zu organisieren.

Aufgabe im Projekt ist es, einen prototypischen Aufbau eines verteilten Sensorsystems basierend auf dem tim®IOT der Timmer GmbH aufzubauen, und geeignete KI-/ML-Verfahren für die Zustandsüberwachung und die vorausschauende Wartung zu evaluieren. Beispielsweise sollen mehrere mechatronische Membranpumpen über die im Hause Timmer entwickelten iHZ-Sensoren ausgestattet werden. Die iHZ-Sensoren verfügen über leistungsfähige Mikroprozessoren, die die erfassten Pumpenhübe einer hochgenauen Zeitbasis zuordnen. Zusätzlich können weitere Messgrößen, wie z.B. Strom/Spannung aufgenommen werden.

 

Bezug zum Thema Data Science  
Die Evaluation und Anwendung von KI-/ML-Verfahren zur Zustandsüberwachung und Vorausschauenden Wartung sind ein Kernthema der Data Science und werden beispielsweise in den Modulen „Data Mining & Machine Learning“ sowie „Künstliche Intelligenz“ behandelt. Die Aufnahme hochaufgelöster Messdaten von einer Vielzahl an Sensoren in komplexen Prozessen stellt hohe Anforderungen an Organisation und Verarbeitung der Daten. Dieses ist Kern des Moduls „Big Data Architekturen“. Die Betrachtung des gesamten Systemprozesses vom Sensor bis zur Cloud erfordert eine ganzheitliche Betrachtung des vollständigen Data Science Prozesses, welcher im Modul „Data Science“ behandelt wird.

 

Verfügbare Ressourcen

  • Informationen, die zur Erstellung des Szenarios benötigt werden (Systembeschreibung, Schnittstellen, Dokumentationen, relevante Kennzahlen etc.) werden von der Timmer GmbH bereitgestellt
  • Die Timmer GmbH stellt umfangreiche Testdatensätze zum Training und zur Evaluation zur Verfügung
  • Der Ansprechpartner der Timmer GmbH wird über die Projektlaufzeit zur Verfügung stehen
  • Die für den prototypischen Aufbau benötigten Komponenten (tim®IOT) sowie sonstiges benötigtes Material wird von der Timmer GmbH bereitgestellt
  • Hardware für das komplexere Maschine Learning ist über das Data Science Lab, das CfADS sowie dem KI-Rechencluster yourAI der FH Bielefeld verfügbar

 

Projektplan
Erstes Semester:
 Erstellung eines Forschungsexposés als Prüfungsleistung. Einarbeitung in die das Konzept von tim®IOT, die Schnittstellen der zur Verfügung gestellten intelligenten Sensoren, der tim®IOT- Smartbox sowie die tim®IOT-Cloud-Plattform.

Zweites Semester: Erstellung des Systemkonzepts zur Zustandsüberwachung und prädiktiven Wartung von intelligenten IoT-Geräten. Recherche zu relevanten Arbeiten im Themenfeld des Einsatzes von KI- /ML-Verfahren für die Sensordatenverarbeitung im o.g. Kontext. Erstellung eines Papers, das einen Überblick über das jeweilige Forschungsgebiet gibt, als Prüfungsleistung.

Drittes Semester: Entwicklung eines ersten Demonstrators basierend auf dem tim®IOT-System und einem einzelnen intelligenten Sensor. Implementierung und Vergleich unterschiedlicher KI-/ML-Ansätze zur Zustandsüberwachung. Visualisierung des Systemzustandes.

Viertes Semester: Masterarbeit und Kolloquium. Erweiterung des Systems auf mehrere intelligente Sensoren und Fusion der Sensordaten. Evaluierung KI-/ML-basierter Verfahren für die Zustandsüberwachung und vorausschauende Wartung. Finale Evaluierung durch Vergleich der implementierten Strategien. Erstellung eines Papers mit ersten quantitativen Ergebnissen als Prüfungsleistung.

 

Eignungskriterien
Zwingend:

  • Programmierkenntnisse 
Optional:
  • Erfahrung in der Elektronikentwicklung
  • Erfahrung mit IoT-Geräten
  • Programmierung von Mikrocontrollern


Erwerbbare Kompetenzen

  • Ressourceneffiziente Informationsverarbeitung auf den verschiedenen Ebenen (Edge, Fog, Cloud) im Sinne des IoT-Verarbeitungskonzepts
  • Sensornahe Informationsverarbeitung
  • KI-/ML-Verfahren
  • Predictive Maintenance