DoRiE – KI für sensornahe Anwendungen im industriellen Einsatz

Sensoren sind heute in allen Bereichen technischer Anlagen im Einsatz. Sie liefern permanent Daten über Temperaturen, Drücke, Strom- und Spannungsverläufe usw. die zuverlässig und fortlaufend an
zentrale Steuergeräte übermittelt werden müssen, um dort Betriebszustände anhand der Sensordaten feststellen zu können. An modernen Maschinen sind heute eine Vielzahl an Sensoren installiert, die
einen entsprechenden Aufwand bei der Verkabelung und der Datenübertragung mit sich bringen. Erst in einer zentralen Steuerungseinheit formt sich dann ein Bild über den momentanen Betriebszustand.
Der klassische Sensor ermittelt nur den Messwert einer physikalischen Größe, zieht jedoch keine Schlussfolgerungen daraus. Mit Methoden der künstlichen Intelligenz (KI) ist es prinzipiell möglich,
Sensordaten zu bewerten und zu klassifizieren. Idealerweise erfolgt diese Bewertung bereits am Sensor und nicht erst in einem Steuergerät, zu dem die Rohdaten des Sensors erst übertragen werden müssen.
Ein intelligenter Sensor kann sich zum einen selbst überprüfen und zum anderen die von ihm gemessenen Daten bewerten. So kann der KI-Sensor anstelle von laufend übermittelten Temperaturwerten einzelne bewertete Daten übermitteln: „Temperatur ist im zulässigen Bereich“ und
die zu übertragende Datenmenge kann drastisch reduziert werden, was insbesondere bei Anwendungen mit sehr vielen Sensoren die notwendige Bandbreite in der Kommunikation stark reduziert und die Auswertung vereinfacht.

Die am Projekt DoRiE beteiligten Forschungspartner haben im erfolgreich abgeschlossenen Landesprojekt NeMoH in den vergangenen beiden Jahren die Grundlagen für eigene KI-Chips gelegt
und setzen diese nun in industrielle Referenzanwendungen um.

Eine spannende Anwendung ist die laufende Selbstdiagnose von Magnetventilen, indem der KI-Sensor lediglich den Stromverlauf des Ventils beim Schaltvorgang beobachtet. Anhand des typischen Verlaufs der Stromkurve lässt sich der Zustand des Ventils mit hoher Trefferquote bestimmen. So kann festgestellt werden, ob das Ventil normal arbeitet, ob das Medium zu heiß oder der Druck des
Mediums zu hoch oder zu niedrig ist. Ebenso können Fehlfunktionen, die z.B. durch Fremdkörper im Ventil (Sandkorn, Verkrustungen) hervorgerufen werden, bestimmt werden: „Ventil öffnet nicht vollständig“ bzw. „Ventil schließt nicht vollständig“. Selbst die Temperatur des Ventilbauteils
kann aus der Stromkurve abgeleitet werden. Mit dem KI-Sensor ausgestattet, kann ein Bauteil wie ein Magnetventil seinen eigenen Betriebszustand ermitteln und nach außen signalisieren.

Um diese Fähigkeit nutzen zu können, müssen zahlreiche Systemdaten im Vorfeld erhoben und klassifiziert werden. Hierzu müssen vorab umfangreiche Messungen mit künstlich herbeigeführten Fehlerzuständen an Referenzbauteilen durchgeführt werden. Zur Erfassung dieser Zustandsdaten
haben die Forschungspartner entsprechende Prüfstände entwickelt, um tausende Datensätze automatisiert erstellen zu können. Mit diesen Daten wird dann ein künstliches neuronales Netz trainiert. Das dann in der Anwendung im KI-Sensor mit tatsächlichen Messwerten gefüttert wird. Das neuronale Netz klassifiziert nun die Messwerte in vorgegebene Zustandsklassen.

Für eine weitere Demonstration von KI-Sensoren entwickeln die Forschungspartner derzeit eine Robotikanwendung, in der ein Roboterarm mithilfe von Radarsensoren (wie sie zur Abstandsmessung
in Abstandstempomaten verwendet werden) sich in seiner Umgebung orientiert und von einem Menschen mittels Handgesten gesteuert werden kann.