Diese Website verwendet Cookies, die es uns erlauben, Ihnen das bestmögliche Surferlebnis zu präsentieren. Für weitere Informationen besuchen Sie bitte unsere Datenschutzerklärung.

Menü
     

Wie Künstliche Intelligenz funktioniert

Daten, Algorithmen & Deep Learning: Wie künstliche Intelligenz funktioniert

Künstliche Intelligenz (KI) im industriellen Kontext ist längst nicht mehr nur eine Zukunftsvision, sondern bereits Realität – etwa bei der Optimierung von Anlagen durch vorausschauende Wartung. Technologiekonzerne wie Voith arbeiten mit Hochdruck an einer Zukunft, in der Maschinen mit künstlicher Intelligenz die Effizienz steigern und den Arbeitsalltag ihrer menschlichen Kollegen vereinfachen. In einem Wasserkraftwerk im isländischen Budarhals zeigt Voith schon heute, wie KI praktisch funktioniert.

KI ist auf dem Vormarsch – denn in den vergangenen Jahren haben sich die Rahmenbedingungen für KI-Systeme in bislang nie dagewesener Weise verändert. Dafür sind vor allem zwei Dinge ausschlaggebend: Zum einen hat sich die Menge an Daten exponentiell vergrößert. Die Gesamtmenge an Daten wurde im Jahr 2016 auf 16,1 Zettabyte veranschlagt. Auf das Datenvolumen  bezogen, entspricht das allen derzeit bei Netflix gespeicherten Serien und Filmen – knapp 500 Millionen Mal betrachtet. Zum anderen haben sich gleichzeitig die Leistungsfähigkeit von Computern, die Speicherkapazitäten in der Cloud und die Möglichkeiten der Software, Daten nahezu in Echtzeit zu verarbeiten, signifikant verbessert.

Drei Erfolgsfaktoren der KI

Künstliche Intelligenz verbindet bestimmte Fähigkeiten des menschlichen Gehirns mit den Möglichkeiten moderner Datenverarbeitung. Das menschliche Gehirn ist lernfähig, kann abstrakt denken und Sinneseindrücke verarbeiten. Computer können rasend schnell und sehr zuverlässig rechnen, sind rund um die Uhr und an 365 Tagen im Jahr einsatzfähig. Die Leistungsfähigkeit von künstlicher Intelligenz hängt dabei von drei wesentlichen Faktoren ab: von der Qualität und Relevanz der Daten, von Algorithmen, die diese Daten verarbeiten, und von den Fähigkeiten hochqualifizierter Datenspezialisten, die den Algorithmen sagen, was sie tun sollen, die sie trainieren und kontrollieren, bis sie in der Lage sind, eigenständig zu arbeiten.

Budarhals – ein intelligentes Kraftwerk

Mit OnCare.Acoustic hat Voith eine Technologie entwickelt, die Geräuschanomalien in Wasserkraftwerken erkennt und via Algorithmus in der IIoT-Plattform OnCumulus analysiert, um Störfälle vorausschauend vermeiden zu können.

Wie das funktioniert, zeigt ein Blick auf ein aktuelles Projekt: Gemeinsam mit dem staatlichen isländischen Energiekonzern Landsvirkjun hat Voith im April 2018 ein Pilotprojekt zur intelligenten Geräuschanalyse in Wasserkraftwerken gestartet. Dafür hat Voith das Kraftwerk Budarhals mit dem akustischen Überwachungssystem OnCare.Acoustic ausgerüstet. „Das System arbeitet mit Algorithmen, die nach einer Anlernphase erste Erkenntnisse liefern, wenn ungewöhnliche Geräusche auftreten, die auf Defekte hinweisen“, sagt Dr. Jens Haag, Head of R&D Advanced Controls and Data Analytics bei Voith Digital Ventures. Mögliche Stillstände können auf diese Weise frühzeitig verhindert werden. „Die kontinuierliche Datenerfassung und -auswertung dient auch dem Zweck, den Betrieb des Kraftwerks zu optimieren“, ergänzt Haag. So können Wartungsarbeiten und anstehende Reparaturen transparent und effizient geplant werden. Das Energieunternehmen spart Zeit und Geld, und gewinnt dank der Daten neue Einblicke für Prozessoptimierungen.

Voith hört hin

Algorithmen, wie der bei OnCare.Acoustic eingesetzte, analysieren Daten, ziehen eigene Schlüsse aus diesen Daten und leiten daraus Aktionen ab. Das kann ein Alarm sein, wenn der Algorithmus einen Fehler im System entdeckt, oder eine Statusmeldung an den Betreiber über eine wahrscheinlich bevorstehende Wartung. Algorithmen sind da wenig festgelegt; sie verarbeiten grundsätzlich alles, was man ihnen an Daten gibt. Im Fall von Budarhals zeichnen sie die Betriebsgeräusche des Kraftwerks und seiner Turbinen mit einem Mikrofon auf und wandeln sie in digitale Daten um. Neben dem Einsatz der Algorithmen spielt aber auch das Domänenwissen von Voith eine wichtige Rolle: das Unternehmen blickt auf über 100 Jahre Erfahrung mit dem Betrieb von Wasserkraftwerken zurück. „Wir kennen die Systeme sehr genau und wissen, wie sie arbeiten und was die Geräusche bedeuten, die sie erzeugen“, so Bastian Berg, Projektleiter und Experte für Automatisierung und Datenanalyse bei Voith Digital Ventures.

Aus Geräuschen lernen

Der Algorithmus von OnCare.Acoustic benötigt Daten aus dem Betrieb der Turbinen inklusive unbekannter Umgebungsgeräusche, um möglichst präzise zu verstehen, wie das Wasserkraftwerk im Normalzustand arbeitet. Nur so lassen sich Abweichungen und Geräuschanomalien und damit mögliche Störfälle frühzeitig erkennen. Auch hier kommt das Domänenwissen von Voith ins Spiel: Über die IIoT-Plattform OnCumulus sammelt Voith Daten aus unterschiedlichen Wasserkraftwerken – inklusive solcher Daten, die von Störfällen herrühren. Diese Daten lassen sich von einem Kraftwerk auf andere übertragen und damit auch für das Training von Algorithmen verwenden. In der Anfangsphase haben die Projektmanager in Budarhals täglich zwischen zehn und 15 unbekannte Umgebungsgeräusche gemessen, die zunächst manuell bewertet und dokumentiert wurden. Diese und die bekannten Geräusche haben die Experten verwendet, um den Algorithmus zu trainieren, der im weiteren Verlauf des Pilotprojekts dann immer eigenständiger arbeiten und immer mehr Geräusche erkennen konnte.

Erster Datencheck vor Ort: BlueBox

Die BlueBox von Voith erkennt mögliche Abweichungen vom Normalzustand bereits vor Ort und kann auf Probleme aufmerksam machen, um den störungsfreien Betrieb aufrecht zu erhalten.

Die erste Verarbeitung, also die Aufbereitung der Daten, erfolgt bereits in den Kraftwerken, in der so genannten BlueBox. Da die Turbinen oft in abgelegenen Gegenden und mit wenig Wartungspersonal betrieben werden, überträgt die BlueBox dann die Daten zur IIoT-Plattform OnCumulus, in der sie zentral weiterverarbeitet werden. Die Daten werden als kurze, nur wenige Sekunden lange Sound-Snippets in die Cloud übertragen. Dort nimmt sie ein kleines Programm, ein Message Broker, entgegen und vermittelt sie weiter. Anschließend werden sie gespeichert und dann über Microservices, ebenfalls kleine Programme, entweder für automatische Trainingszwecke oder für manuelle Datenanalysen und Reports, verwendet. Diese Analysen münden dann zum Beispiel in eine Handlungsanweisung an das Wartungspersonal oder in eine Entscheidungshilfe für den technischen Support.

Algorithmen arbeiten nach eigenen Regeln – unter menschlicher Aufsicht

Normalerweise arbeiten Algorithmen nach vorprogrammierten Regeln, zum Beispiel mit Wenn-Dann-Abfragen: „Wenn ein auffälliges Geräusch gemessen wird, dann schlage Alarm.“ Ein KI-Algorithmus funktioniert anders. Hier sind keine einfachen Wenn-Dann-Regeln gespeichert, sondern mehrschichtige Prozessfolgen, in denen der Algorithmus eine Vielzahl von Daten verarbeitet und sich entlang eines weitverzweigten Entscheidungbaums bewegt. Kommt es beispielsweise zu einer akustischen Anomalie, kann ein Algorithmus überprüfen, ob die Störung systemabhängig auftritt. Dann trifft er eine Entscheidung und überprüft anhand der kontinuierlich erhobenen Daten, ob sie richtig oder falsch ist. Ordnet er die Störung beispielsweise einem bestimmten Bauteil zu, muss die Geräuschanomalie verschwinden, sobald dieses Bauteil abgeschaltet wird. So lernt der Algorithmus – genau wie der Mensch – über „Versuch und Irrtum“ und kann daraus eigene Regeln für weitere Analysen ableiten.

Damit ein KI-Algorithmus diese Regeln modellieren kann, braucht er auf absehbare Zeit noch Anleitung. Beim Unsupervised Learning, dem unüberwachten Lernen, bekommt der KI-Algorithmus Daten, die weder kategorisiert noch klassifiziert sind und aus denen er völlig eigenständig Modelle und Regeln ableitet. Diese werden dann im Nachhinein manuell bestimmten Kategorien bzw. (Zustands-)Klassen zugeordnet. Beim Supervised Learning, dem überwachten Lernen, kategorisieren und klassifizieren Menschen die Daten im Vorhinein für den Algorithmus, der daraus mit der Zeit eigene Prognosen lernt. Beim Reinforcement Learning  lernt der Algorithmus durch Versuch und Irrtum, also durch positive oder negative Verstärkung.

Deep Learning: „Denken“ in Netzstrukturen

Einige KI-Algorithmen von Voith bilden ein künstliches, neuronales Netz, dessen Arbeitsweise vom menschlichen Gehirn inspiriert ist. Technisch gesehen entspricht dieses Netz einem Geflecht von zahlreichen mathematischen Funktionen in vielen Schichten (daher „Deep Learning“), die es der Software ermöglichen selbständig zu lernen. Am Anfang ist dieses neuronale Netz ein unbeschriebenes Blatt, das auf Daten wartet. Erst das Training mit echten Daten macht aus einem leeren neuronalen Netz einen leistungsfähigen Algorithmus. Das eigentliche Kapital steckt also weniger in der Software, sondern in den hochwertigen Daten und dem Domänenwissen von Voith. „OnCare.Acoustic ist vor allem deswegen erfolgreich, weil Voith hier Wissen aus mehr als 100 Jahren einbringt. Damit der Algorithmus valide Ergebnisse liefern kann, ist diese Erfahrung mit dem Betrieb von Wasserkraftwerken unabdingbar“, sagt Dr. Jens Haag.

Budarhals: Vom Piloten zum Produkt

Das Pilotprojekt im isländischen Wasserkraftwerk Budarhals ist abgeschlossen, so dass Voith OnCare.Acoustic als eigenständiges KI-Produkt anbietet. Parallel dazu sammelt das Team um Bastian Berg weiter Daten für den Algorithmus, denn mit der Menge an qualifizierten Daten verbessern sich die Vorhersagen der Maschine. „In Zukunft können wir Betreibern von Wasserkraftwerken durch unsere Geräuschmusteranalyse sagen, wann beispielsweise der perfekte Zeitpunkt für den Wechsel mechanischer Ersatzteile ist. Wartungsarbeiten und anstehende Reparaturen können damit transparent und sehr effizient geplant werden“, fasst Bastian Berg den Nutzen des Produkts zusammen.


Autor: Dr. Jens Haag

Als studierter Diplomingenieur der Verfahrenstechnik promovierte Dr. Jens Haag im Fachbereich Regelungstechnik. Mit mehr als 15 Jahren Erfahrung im Bereich Advanced Process Controls und Machine Learning, leitet er seit 2019 die R&D Abteilung für Data Analytics, Artificial Intelligence & Advanced Controls der Voith Group.

Kontaktieren Sie unsere Experten

Dr. Jens Haag

Head of the R&D Department for Data Analytics, Artificial Intelligence & Advanced Controls

Kontakt aufnehmen


Budarhals in Zahlen

Wie Künstliche Intelligenz funktioniert Image 3

Das Wasserkraftwerk Budarhals liegt östlich der Hauptstadt Reykjavik am Fluss Tungnaá, der pro Sekunde rund 280 Kubikmeter Wasser durch die zwei modernen und umweltfreundlichen Kaplanturbinen von Voith spült. Daraus erzeugt das Kraftwerk pro Jahr 585 Gigawattstunden (GWh) elektrische Energie und damit rund 4,2 Prozent des gesamten Energiebedarfs Islands. Island erzeugt nahezu 100 Prozent seines Strombedarfs über erneuerbare Energien. Der staatliche isländische Energiekonzern Landsvirkjun, der die Anlage in Budarhals betreibt, liefert mit einem Wasserkraft- und drei Erdwärmekraftwerken sowie zwei Windanlagen insgesamt drei Viertel dieser Energie. Die gigantische Aufgabe, die komplette Insel mit Energie zu versorgen, erledigen gerade einmal 270 feste Mitarbeiter.


OnCare.Acoustic – ein System, das auf die Fähigkeiten künstlicher Intelligenz setzt und in Kombination mit menschlicher Intelligenz und Domänenwissen zu validen Ergebnissen kommt.

RIGHT OFFCANVAS AREA