Patent DE 10 2024 100 703

Für effiziente Produktionsprozesse ist es entscheidend, Störungen von Maschinen und Anlagen sowie deren Bauteilen, wie z.B. Lager, früh zu erkennen, Ausfallzeiten zu minimieren und kostspielige Reparaturen zu vermeiden. Schlüsselkonzepte im Bereich der industriellen Instandhaltung sind daher die Zustandsüberwachung und die vorausschauende Wartung. Funksensoren gewährleisten dabei eine kontinuierliche Überwachung und Zustandserfassung in Echtzeit. Eine neue Methode zur datenreduzierten Kommunikation zwischen Funksensorknoten und Monitoringsystemen liefert einen großen Beitrag zur Senkung des Energieverbrauchs von Funksensoren und ermöglicht damit deren zahlreichen Einsatz auch an schwer zugänglichen Stellen über Jahre hinweg.

Bei der Überwachung von industriellen Systemen werden Daten von Funksensoren analysiert, um potenzielle Probleme oder Abweichungen von normalen Betriebszuständen frühzeitig zu erkennen sowie Wartungsbedarf vorherzusagen. Beim kontinuierlichen Echtzeit-Monitoring über drahtlose Sensoren kann es jedoch zu Einschränkungen kommen: Befinden sich die Sensoren an vielen oder schwer zugänglichen Stellen und sollen über Jahre zuverlässig arbeiten, ist deren Energieverbrauch mit Blick auf die Akkulaufzeit kritisch. Die für ein Monitoring interessante Sen-sorik generiert zudem eine große Datenmenge. Diese lässt sich bis dato nur mit hohem Energieaufwand an das zentrale Monitoring-Gerät übertragen. Zudem treten im Normalbetrieb Defekte an Maschinen sehr selten bis gar nicht auf und bestimmte Fehlerzustände, wie z.B. defekte Lager und Maschinenteile, lassen sich nicht einfach hervorrufen.

Die Idee der Erfindung besteht in einem Algorithmus, der Daten erfasst und die normalen Maschinenverhaltensmuster direkt auf dem Sensor weitgehend unüberwacht lernt. Die regulären Verhaltensweisen einer Anlage und bestimmte Neuheitskriterien, die für abweichendes Verhalten stehen, werden aus den aufgezeichneten Daten auf dem Funksensor gelernt. Daten werden nur dann an ein zentrales Monitoringsystem gesendet, wenn der berechnete Neuheitswert von den normalen Kriterien für ein „gesundes Verhalten“ abweicht. Dadurch entfällt die Übertragung von Rohdaten an eine zentrales Monitoringsystem vollständig. Dieses On-Device-Lernen und das nachfolgende Retraining machen den Algorithmus generalisierbar für verschiedene industrielle Szenarien und robust gegenüber einer möglichen Daten-Drift. Die Methode zum Erkennen des Neuheitswertes von Daten verknüpft mathematische Verfahren in einer spezifischen Abfolge zur laufenden Zustands-überwachung und vorausschauenden Wartung über Jahre hinweg.

On-Device Datenreduktion mittels Singulärwertzerlegung und Korrelation: In der Initialisierungsphase wird der ordnungsgemäße Betrieb (Gutzustand) z. B. eines Lagers erfasst und mittels einer automatisierten Merkmalsextraktion durch Singulärwertzerlegung ein Schwellwert zur Erfassung irregulärer Zustände bestimmt. Dieser wird in der Beobachtungsphase durch Lernen bestimmter Anomalien und Zustände weiter verbessert. Indem nur die ersten k dominanten Singulärwerte und die entsprechenden Anteile der Matrizen der Singulärwertzerlegung verwendet werden, wird ein reduzierter Datensatz auf dem Sensorknoten für die Übertragung an das Monitoringsystem erzeugt. In der Anwendungsphase wird ein Merkmalsvektor neu aufgezeichneter Vibrationswerte generiert. Mittels kanonischer Korrelationsanalyse wird analysiert, wie unterschiedlich die gelernten Merkmale des Gutzustandes im Vergleich zu dem neu aufgenommenen Merkmal sind und somit Zustandsänderungen qualitativ erfasst.

Vorteile der Erfindung 

• Datenverarbeitung auf dem Sensorknoten
• Datenreduktion in der Funkübertragung
• Erfassung von Stördaten und Fehlerzuständen im Vorfeld nicht nötig
• Senkung des Energiebedarfs von Funksensoren für erhöhte Lebensdauer