Die Plattformen die für die hier betrachteten Anwendungsfälle und Algorithmen-Pipeline betrachtet werden, basieren auf einem ARM-Cortex-M4F-Prozessor und besitzen ein integriertes Power-Management, analoge und digitale Peripheriegeräte zur Datenerfassung, -verarbeitung, -steuerung und -konnektivität. Als integrierte Sensoren stehen beispielsweise Temperatur, Luftfeuchte, Beschleunigung, Drehrate, Magnetfeld und sogar Akustik zur Verfügung. Die hier vorgestellte Algorithmen-Pipeline für die Anomalieerkennung wurde für solche Sensorplattformen implementiert und daraufhin abgestimmt, kann aber auch an andere Plattformen adaptiert werden.
Anwendungsspektren
Die Embedded-Sensorplattformen inklusive der dafür entwickelten Algorithmen haben ein sehr breites Anwendungsspektrum im Bereich der Überwachung von Maschinen, Anlagen und Prozessen von der Detektion von Anomalien bis zur komplexen Fehlerdiagnose und der sofortigen Einleitung der Störungsbeseitigung. Es können Prozesszustände, Lager- oder Statorschäden, Ausfall der Steuerungselektronik, etc. und auch unbekannte Veränderungen des Systemverhaltens z.B. durch einen Schaden in der Elektronik durch die Algorithmen erkannt werden. Ist ein Vorhersagemodell von bestimmten Schäden vorhanden, können diese sogar prädiziert werden.
Algorithmen für Embedded-Systeme
Die Verarbeitung der Daten mittels maschinellen Lernens erlaubt eine automatisierte Analyse auch von komplexen Sensordaten. Dadurch gelangt man in der gesamten Datenverarbeitungskette automatisch von den Daten zu der gewünschten Information und somit zu einem Mehrwert. Die Wahl eines Algorithmus ist oft von dem vorhandenen Wissen über die Anwendung abhängig. Ist umfangreiches Fachwissen vorhanden, spielen die eingesetzten Algorithmen eher eine unterstützende Rolle. Ist kein Expertenwissen vorhanden, können die Algorithmen wesentlich komplexer werden. Bei der Modellbildung, können prinzipiell zwei Ansätze unterschieden werden: datengetriebene und modellbasierte Ansätze.
Datengetriebene Ansätze
Sind lediglich Daten vorhanden und kein Hintergrundwissen, welches in Form von mathematischen Gleichungen beschreibbar wäre, so müssen sogenannte datengetriebene Ansätze gewählt werden. Diese Algorithmen extrahieren die gewünschte Information direkt aus den Daten. Hierzu zählen das gesamte Spektrum an Methoden aus dem maschinellen Lernen, wie beispielsweise Lineare Regression, Neuronale Netze, Random Forest oder Hidden Markov Modelle. Eine typische Algorithmen-Pipeline für datengetriebene Ansätze die auf Embedded-Sensorplattformen umgesetzt werden kann besteht aus vier Komponenten: Datenvorverarbeitung, Merkmalsextraktion, Merkmalsreduktion und der eigentliche maschinelle Lernalgorithmus. Der entscheidende Faktor hier ist der begrenzte Speicher der auf der Sensorplattform zur Verfügung steht. Deshalb müssen die maschinellen Lernalgorithmen, aber auch alle vorher erwähnten Algorithmen der gesamten Pipeline, so abgeändert werden, dass die Sensordaten jeweils direkt verarbeitet werden. Jeder Datenpunkt wird von den Algorithmen nur einmal verwendet, d.h., die gesamte Information wird direkt heraus extrahiert und das speicherintensive sammeln von großen Datenmengen – und damit verbunden auch die hohen Datentransfer- und Speicherkosten – entfällt. Diese Art der Verarbeitung wird auch Streaming-Analytics genannt. Die oben genannte Algorithmen-Pipeline wurde auf Sensorplattformen implementiert und für die Anomalieerkennung in unterschiedlichen Anwendungen evaluiert. Nachfolgend soll dies hinsichtlich der Überwachung eines Gleichstrommotors näher beschrieben werden. Als Eingangsdaten wurden die Beschleunigungs- und Gyroskopdaten mit einer Abtastung von jeweils 1kHz benutzt. Bei der Vibrations-Überwachung wurden zusätzlich noch die Akustik- und Magnetfelddaten als Eingangsdaten benutzt, um auch andere Auffälligkeiten wie beispielsweise akustische Veränderungen zu berücksichtigen. Durch diese Kombination der Sensoren über intelligente Algorithmen wurde die Detektionsgenauigkeit drastisch erhöht. Die Ergebnisse der lokalen Berechnung auf der Sensorplattform sind in der oberen Abbildung beispielhaft dargestellt. Es sind die Beschleunigungs- und Gyroskopdaten, die lokal abgeleiteten Merkmale und der lokal berechnete Anomalieindikator dargestellt. Es ist zu erkennen, dass dieser Indikator bei neuen Signalverhalten stark ansteigt und bei nochmaligem Auftreten sehr viel niedriger ist, d.h., dass neu erkannte Signal wurde durch den Lernalgorithmus in das Modell berücksichtigt und aktualisiert. In der praktischen Anwendung folgt, nachdem der Algorithmus alle Gut-Daten gesehen hat, die dauerhafte Überwachung der Maschine wo nur noch bei unbekannten Zuständen eine Warnung generiert werden würde.
