{"id":2078,"date":"2020-04-30T11:27:49","date_gmt":"2020-04-30T11:27:49","guid":{"rendered":"https:\/\/www.linemetrics.dev\/de\/?post_type=blog&p=2078"},"modified":"2023-11-29T12:40:46","modified_gmt":"2023-11-29T11:40:46","slug":"ungewoehnliche-ereignisse-erkennen-mit-kuenstlicher-intelligenz","status":"publish","type":"post","link":"https:\/\/www.linemetrics.dev\/de\/ungewoehnliche-ereignisse-erkennen-mit-kuenstlicher-intelligenz\/","title":{"rendered":"Ungew\u00f6hnliche Ereignisse erkennen mit k\u00fcnstlicher Intelligenz"},"content":{"rendered":"\n

Anomalie-Erkennung (engl. anomaly detection) ist ein Verfahren, das mithilfe k\u00fcnstlicher Intelligenz bereits geringf\u00fcgige Ver\u00e4nderungen an einem Ger\u00e4t oder einer Anlage feststellen kann. Dies erm\u00f6glicht fr\u00fchzeitig zu erkennen, wenn sich in absehbarer Zeit ein Schaden anbahnt. Dadurch ist es m\u00f6glich ungeplante Stillst\u00e4nde zu vermeiden und noch rechtzeitig eine Wartung einzuplanen.<\/strong><\/p>\n\n\n\n

Weiters ist es m\u00f6glich, Verschlei\u00dfteile erst dann zu tauschen, wenn sich ein Schaden auch wirklich abzeichnet. Vielfach ist es im Moment Usus solche Teile bereits viel fr\u00fcher zu wechseln, da keine Information \u00fcber den tats\u00e4chlichen Zustand vorliegt. Ein wesentlicher finanzieller Vorteil entsteht dadurch, dass Arbeitszeit sowie Ersatzteile f\u00fcr unn\u00f6tig fr\u00fche Wartungen eingespart werden k\u00f6nnen.<\/p>\n\n\n\n

Au\u00dferdem ist es m\u00f6glich, die Abst\u00e4nde zwischen \u00dcberpr\u00fcfungen zu verl\u00e4ngern, da (genauere) Informationen vorliegen. Das erm\u00f6glicht Arbeitszeit von Mitarbeitern zu sparen.<\/p>\n\n\n\n

Vorteile von k\u00fcnstlicher Intelligenz in der Praxis<\/h2>\n\n\n\n

Um m\u00f6glichst praxisnahe Einblicke in die Anwendung des Verfahrens zu geben, hier ein Beispiel einer erfolgreichen Zusammenarbeit mit einem Anwender aus der Industrie:<\/p>\n\n\n\n

Der Anwender \u00fcberwacht mit einem Vibrationssensor (gem\u00e4\u00df DIN ISO 10816) eine L\u00fcftungsanlage. Wenn die Vibrationen einen bestimmten Schwellwert \u00fcbersteigen, muss eine Wartung durchgef\u00fchrt werden.<\/p>\n\n\n\n

Der Anwender \u00fcberwacht seit Jahren die Daten eines Vibrationssensors und wertet diese aus. Sobald die Werte einen bestimmten Schwellwert \u00fcberschreiten, wird er mittels E-Mail alarmiert. Nun war es aber so, dass der Anwender feststellte, dass der Sensor in einem bestimmten Zeitraum unplausibel niedrige Werte lieferte.<\/p>\n\n\n\n

Als Grund daf\u00fcr stellt sich schlie\u00dflich ein Schaden am Sensor heraus. Da die Werte unterhalb des Schwellwerts lagen, wurde kein Alarm ausgel\u00f6st, weswegen der Fehler l\u00e4ngere Zeit unerkannt blieb. W\u00e4re in dieser Zeit eine Wartung n\u00f6tig gewesen, w\u00e4re diese nicht durchgef\u00fchrt worden und am Ger\u00e4t w\u00e4re ein Schaden entstanden. Der Anwender trat daher an LineMetrics heran mit der Bitte um eine allgemeine Kontrolle der Daten und eine bessere L\u00f6sung.<\/p>\n\n\n\n

LineMetrics entschied sich, ein System zur Anomalie-Erkennung zu implementieren. Dabei wurde anhand der Daten aus einigen Wochen ein neuronales Netz darauf trainiert, zu erkennen, wie die Werte des besprochenen Sensors typischerweise aussehen. Das bedeutet, typisches Level der Werte, wie verhalten sich die Werte, wenn die Anlage ausgeschalten ist, wie wenn sie eingeschalten ist, typisches Ein- und Ausschaltverhalten, Flankenh\u00f6hen, markante Muster, … – kurzum alles, was sich auch ein Mensch merken w\u00fcrde, der sich l\u00e4ngere Zeit mit diesen Sensordaten besch\u00e4ftigt.<\/p>\n\n\n\n

F\u00fcr neu einlaufende Daten wird nun \u00fcberpr\u00fcft, ob sie jenen Daten, die zum Trainieren verwendet wurden, \u00e4hnlich sind. Treten zu gro\u00dfe Abweichungen auf, wird ein Alarm ausgel\u00f6st. Wie bereits vorher angemerkt: Stellen Sie sich vor, ein Mensch w\u00fcrde laufend die Daten kontrollieren. Alles, was einen erfahrenen Mitarbeiter an den Daten wundern w\u00fcrde, wundert auch ein System zur Anomalie-Erkennung.<\/p>\n\n\n\n

\"LineMetrics<\/figure>\n\n\n\n

In diesem Diagramm sind die einlaufenden Messwerte des Sensors zu sehen, im unteren das Ergebnis der Analyse: Gr\u00fcn bedeutet, dass die Date in Ordnung sind, rot bedeutet m\u00f6glicherweise fehlerhafte Daten.<\/p>\n\n\n\n

Um die Leistungsf\u00e4higkeit des trainierten Systems zu validieren, wurden die Daten der letzten beiden Jahre dieses Sensors \u00fcberpr\u00fcft. Die erzielten Ergebnisse waren hervorragend. Es gelang sogar, zus\u00e4tzlich zu dem bekannten Fehlerfall mehrere weitere, kurze Fehlerf\u00e4lle, die dem Anwender selbst gar nicht bewusst waren, zu identifizieren. Der Anwender best\u00e4tigte die erzielten Resultate vollst\u00e4ndig und nutzt seitdem das System zur Anomalie-Erkennung erfolgreich im Echtbetrieb.<\/p>\n\n\n\n

Welche Messwerte sich besonders eignen<\/h2>\n\n\n\n

Grunds\u00e4tzlich ist ein System zur Anomalie-Erkennung geeignet, viele unterschiedliche Messwerte zu \u00fcberwachen. Hier sind einige Beispiele, f\u00fcr die es in der Praxis besonders n\u00fctzlich ist, ein solches System zu betreiben:<\/p>\n\n\n\n