Unser erster Versuchstand bei der PSD ist vor kurzem fertig gestellt worden und liefert nun erste Trainings- und Analyse-Daten.
Vorausschauende Instandhaltung für Pumpensysteme auf Basis von Federated Learning und Synthese von multiplen Sensordaten
Im Rahmen des Förderaufrufs:
„GreenTech“ – Entwicklung digitaler Technologien
VIPFLUID
Der schonende Umgang mit Ressourcen ist angesichts der fortschreitenden Klimaveränderungen, die sich auch in Deutschland immer stärker bemerkbar machen, unabdingbar. Dies gilt für verschiedene Bereiche, einschließlich der Abwasserwirtschaft. Innovative Lösungen, die auf digitalen Technologien basieren, bieten nicht nur die Möglichkeit, Ressourcen einzusparen, sondern können auch wesentlich zur Stärkung der Resilienz kritischer Infrastrukturen beitragen.
VIPFLUID widmet sich genau diesem Themenfeld und hat zum Ziel, die Zustandsdaten von Abwasserpumpen mithilfe geeigneter Sensortechnik zu erfassen und für maschinelles Lernen zu nutzen. Adaptive Sensortechnik und ein intelligenter Sensorhub sollen dafür zunächst die Pumpendaten erfassen und lokal in der Edge vorverarbeiten, um einen komprimierten Datenstrom an lokale Rechenressourcen (Fog) zu senden. Synthetische Daten durch Machine Learning (ML) ermöglichen dann lokale und ressourcenschonende, adaptive Modelle zur Vorhersage.
Die entwickelten Softwarelösungen basieren auf generativen neuronalen Netzwerken sowie Federated Learning und sollen den Einsatz von maschinellem Lernen im Bereich der vorausschauenden Wartung auf wirtschaftliche und ökologische Weise etablieren. Dadurch wird eine proaktive Wartung ermöglicht und reaktives Handeln minimiert. Dies vermeidet teure und systemkritische Ausfälle und verbessert die Prozesssicherheit erheblich. Durch die generierten belastbaren Vorhersageergebnisse wird eine signifikante Reduzierung der Ressourcen für die Instandhaltung ermöglicht. Diese Technologie ermöglicht eine deutliche Reduktion des CO2-Ausstoßes und unterstützt so die Erreichung von Klima- und Umweltschutzzielen.
Langfristig besteht die Möglichkeit, die technische Lösung auch auf andere Anwendungsgebiete wie die Steuerung von Abwasserströmen bei Starkregen auszuweiten. Durch die dynamische Steuerung der vorhandenen Infrastruktur könnten Schäden bei klimabedingten Starkregenereignissen vermieden werden. Das Projekt trägt zur Verbesserung der Ausfallsicherheit und Widerstandsfähigkeit der Infrastruktur bei. Darüber hinaus bieten ML-Verfahren im Anlagenbereich strategische Potenziale, die aufgrund des hohen Ressourceneinsatzes herkömmlicher Lernverfahren bisher ungenutzt blieben.
Aktuelles
-
Erster Versuchsstand in Betrieb
Die Ziele des Forschungsprojektes VIPFLUID
Die Fernüberwachung von Pumpen mittels Sensorik ist ein frühes Beispiel für die Digitalisierung industrieller Produkte, wobei aktuelle Condition Monitoring (CM) Systeme nur Daten erfassen und vergleichen, aber keine umfassende Auswertung bieten. Deshalb werden folgende Ergebnisse des Projekts angestrebt.
ML-Basierte PdM-Software
Es werden die funktionalen, qualitativen und kontextuellen Anforderungen an ein föderiertes und datensparsames Predictive Maintenance (PdM)-System analysiert sowie der aktuelle Stand der Technik im Bereich Softwarequalitäten und Software Engineering untersucht. Eine Referenz-Software-Architektur zur Integration der Cloud-Komponenten für ein föderiertes PdM-System wird entwickelt, und es werden Open-Source-Softwareprototypen für ein generisches Cloud-Fog-Edge PdM-System auf ML-Basis erstellt.
Sensorik und Wartung von nass aufgestellten Pumpen
Ein adaptiertes Sensorsystem für nass-aufgestellte Abwasserhebeanlagen verwendet spezielle Datensynthese-Verfahren, um umfangreiche Trainingsdaten für maschinelles Lernen (ML) zu erzeugen. Zusätzlich wird eine Prüf-/Testplattform entwickelt, um weitergehende Merkmalsextraktion und Fehlerdetektion mittels Schwingungssensoren zu ermöglichen und die Leistungsmetriken der ML-Systeme systematisch zu erheben.
Verwertung
Es werden wissenschaftliche Publikationen zu Softwarequalitäten bei föderierten ML-Systemen, der Leistung datensparsamer PdM-Systeme auf ML-Basis und dem Design ressourcenschonender ML-Systeme erstellt. Zusätzlich werden Konzepte und Designs für automatisierte Fehlerdiagnose und -auswertung, Ausgründungsstrategien für Green-PdM-Startups sowie ein Produktkonzept für ein mehrdimensionales, dynamisches Experten-Regelsystem entwickelt.