Das Projekt KISoSys mit dem Titel „KI-basierte Softsensorik für Fluidfördersysteme“ hat das Ziel, universelle sowie echtzeitfähige virtuelle Sensoren mit Referenzcharakter auf Grundlage maschineller Lernalgorithmen zu entwickeln. Diese können dezentral am Bestimmungsort ohne aufwändige IT-Infrastruktur eingesetzt und für die Prozessteuerung und als Diagnoseassistent genutzt werden.

Motivation

Sensoren jeglicher Art können ausfallen, Messwerte abdriften und daraus resultierend den gesamten Produktionsprozess in hochautomatisierten Anlagen negativ beeinträchtigen. Vor allem in der Prozesstechnik werden Sensoren über viele Jahrzehnte eingesetzt und gefährden beim Ausfall den kompletten Produktionsprozess.

Zugleich können mithilfe von maschinellen Lernalgorithmen (rekurrente neuronale Netzwerke, etwa nach der LSTM-Knotenachitektur) virtuelle Zwillinge generiert werden, welche das Verhalten der Anlage simulieren. Fällt einer der Sensoren aus können die Messwerte aus dem digitalen Zwilling entnommen- und der Betrieb der Anlage bis zum nächsten geplanten Wartungstermin gewährleistet werden. Derartige Ansätze werden bereits kommerziell eingesetzt. Dabei werden die digitalen Zwillinge aber in einem sensorfernen, nicht echtzeitfähigen Setup, z. B. in Cloud oder auf Hochleistungsrechnern ausgeführt. Dies begrenzt den Einsatz und verhindert z. B., dass Regelungen mithilfe dieser Softsensoren ausgeführt werden.

In dem Projekt KISoSys wollen wir die digitalen Zwillinge auf einer dezentralen Hardware ausführen und somit echtzeitfähig simulierte Messwerte dem Automatisierungssystem zur Verfügung stellen. Zugleich soll auch das Training dezentral auf der Hardware erfolgen. Dafür werden in diesem Projekt einerseits geeignete maschinelle Lernalgorithmen entwickelt als auch ein Konzept für das effiziente Training auf der Hardware erforscht.

Im Vergleich zu bisherigen Ansätzen wird durch den Einsatz von Maschinellem Lernen auf geeigneter Edge Hardware ein geringerer Integrationsaufwand für den Anwender erreicht. Dies ist vor allem für kleine und mittlere Unternehmen wichtig. Sämtliche Teilsysteme sind auf einer kompakten Hardware vereint und lassen sich out-of-the-box einsetzen. Zudem wird mit dem KISoSys-System auf einen anonymen Massenmarkt ohne Individuallösungen abgezielt. Bisherige ML-Systeme basieren meist auf kostenintensiver, kundenindividueller Betreuung und aufwändigen IT-Systemen, welche für KMU aufgrund des Aufwands und der Kosten nicht attraktiv sind.

Zielsetzung

- Auswahl und Adaption bzw. Entwicklung geeigneter maschineller Lernalgorithmen zur Modellbildung von struktur- bzw. zeitvarianten Fluidfördersystemen. Nach aktuellem Stand ist nicht bekannt, welche Algorithmen die beste Approximation solcher Systeme bieten.

- Entwicklung von Methoden für das betriebsparallele Lernen on-the-edge z. B. durch zyklische Neuberechnung, Veränderung der Gewichtsfaktoren oder Auslagerung in einen spezialisierten Trainingschip. Zielparameter ist dabei ein möglichst geringer Energieverbrauch bei gleichzeitig hoher Approximation der Anlage.

- Entwicklung und Auswahl einer geeigneten Chiparchitektur für den energieeffizienten, dezentralen Einsatz von ML-Algorithmen für struktur- bzw. zeitvariante Systeme

- Die erforschten und entwickelten Methoden und Konzepte sollen auf einen Demonstrator integriert werden.

- Dieser Demonstrator wird unter Laborbedingungen und im industriellen Umfeld erprobt

Einsatzgebiete

Das KISoSys-System wird in das Automatisierungssystem integriert und erhält von diesem live Steuer- und Messsignale aus der Anlage. Auf Basis von Messwerten und Steuersignalen wird mithilfe von maschinellen Lernalgorithmen ein digitaler Zwilling der Anlage generiert. Dieser digitale Zwilling wird parallel zum Anlagenbetrieb simuliert. Durch Vergleich zwischen der realen Anlage und dem digitalen Zwilling können ungewöhnliche und kritische Anlagenzustände erkannt werden und an die Steuerung zurückgemeldet werden.

Potentielle Einsatzmärkte sind die:

- Chemisch-pharmazeutische Industrie

- Mineralölverarbeitung

- Brauerei-, Getränke-, Lebensmittelindustrie

- Kommunale Wasserversorger, Wasseraufbereitung, Abwasseraufbereitung

- Energieerzeugung, Kraftwerkstechnik

- Gebäude und Klimatechnik

Industriepartner

Das Konsortium besteht neben der Technischen Hochschule Nürnberg Georg Simon Ohm aus den Unternehmen algorithmica technologies GmbH Bad Nauheim, Solectrix GmbH Fürth und LEGER GmbH Pumpen und Regelungstechnik Stein in Nürnberg.

Förderung

Das Projekt KISoSys wird durch das Bundesministerium für Bildung und Forschung im Rahmen der Förderrichtlinie „Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU – KI4KMU – Produktionstechnologien, Prozesssteuerung und Automatisierung gefördert.