KI-Labor für effiziente Methoden des Condition-Monitoring

Unter dem Begriff Condition Monitoring wird eine permanente Überwachung des Maschinenzustandes verstanden, wodurch frühzeitig Veränderungen erkannt werden sollen, die zum Ausfall einzelner Bauteile und somit zum Maschinenstillstand führen können. Ziel dieser Maßnahme ist es, übliche reaktive oder präventive Instandhaltung durch eine zustandsabhängige Instandhaltung abzulösen. Voraussetzung hierfür ist die Überwachung mittels Sensoren und die Erfassung von Steuerungsdaten, die in großen Datenmengen gespeichert und parallel an Analysemodelle übermittelt werden. Diese sollen aus dem Verlauf der Daten das sich Abzeichnen von nahenden Ausfällen bzw. erforderliche Wartungsmaßnahmen an konkreten Bauteilen erkennen.Moderne Industrieanlagen und neuartige Produktionskonzepte, vor allem in Hinblick auf die Entwicklungen der Industrie 4.0, erfordern immer bessere Condition-Monitoring-Systeme.Bisherige Konzepte verfolgen dabei den Ansatz, die zu überwachenden Bereiche einer Maschine oder Anlage applikationsspezifisch mit Sensortechnik auszustatten.Daraus resultiert, dass bei zunehmender Anzahl der zu überwachenden Bereiche an den Maschinen der Bedarf an Sensortechnik steigt.Neben diesem kostentreibenden Faktor ergibt sich zudem die Notwendigkeit, besonders gefährdete Bereiche und auch die zu erwartenden Versagensfälle im Voraus definieren zu können.Dies ist bei komplexen Anlagen aus wirtschaftlichen Gründen nicht realisierbar.Ein weiteres grundlegendes Problem ist das Vorhandensein einer ausreichend großen Anzahl von Erfahrungswerten zum Anlernen der Analysemodelle für die spezifischen Einsatzfälle.

Das konkrete Ziel dieses Vorhabens ist es, ein ganzheitliches KI-Labor für die modernen Methoden des Condition-Monitoring zu errichten.Hierfür erstellen wir eine innovative Umgebung für die umfassende Bearbeitung von Problemen des maschinellen Lernens mittels etablierter Herangehensweisen aus den Gebieten des Software Engineering sowie des Scientific Computing. Ferner möchten wir die anwendungsbezogene Forschung im Bereich des maschinellen Lernens mittels sogenannter Neuronalen Tensorformate neu befruchten.Im gleichen Maße berücksichtigen wir hierbei die Verfügbarkeit von großen Testdatensätzen und Benchmarks.Hierfür ist es aus unserer Sicht unabdingbar, dass unsere Datensätze an praktischen Belastungsproben überprüft wurden.Bei diesem Vorhaben möchten wir insbesondere folgende Probleme adressieren und innovative Lösungen etablieren:

Frühzeitige Qualifizierung von Anwendern und Nachwuchswissenschaftlern im Be-reich des maschinellen Lernens sowie neuronalen Tensorformaten

Effizientes Datenmanagement für Forschung und Entwicklung, hier steht an erster Stelle die methodische Aufbereitung und Erstellung von praxisrelevanten Daten

Anwendung von neuesten Hardware-Systemen inklusive deren konsequenter Nutzung durch Softwareentwicklung auf Tensor-Processor-Units (TPU) sowie von GPU-Clustern

Umsetzung von Software Engineering-Methoden aus der KI-Forschung- und deren Anwendung auf KI-Systeme - unter dem Gesichtspunkt einer zeitgemäßen Hardware-unabhängigen Realisierung sowie der Integration in vorhandene Softwarepakete