AIQ-Bo: Der intelligente Sensor erkennt eigenständig Anomalien

Anbieter zum Thema

Althen GmbH Mess- und Sensortechnik

invenio Virtual Technologies GmbH

UberCloud

Expertinnen und Experten des Fraunhofer Cluster of Excellence Cognitive Internet Technologies CCIT haben einen smarten Sensor namens AIQ-Bo entwickelt, der Vibrationen an mechanischen Komponenten misst und mittels Künstlicher Intelligenz (KI) vor Ort auswertet. Dadurch werden Anomalien eigenständig erkannt und an die Cloud übermittelt, so dass geeignete Verbesserungsmaßnahmen eingeleitet werden können.

Defekte Komponenten erkennen und ausbessern, Wartungsarbeiten einleiten, Austausch planen – und so Kosten und Schäden vermeiden. Den Forschenden des Fraunhofer CCIT ist es in ihrem Projekt "AIQ-Bo – AI enhanced Intelligent-Bolt" gelungen, ein trainierbares KI-Modell, das autonom Anomalien identifiziert, in einen Vibrations-Sensor zu integrieren. Die Innovation: Die KI wird am Sensor betrieben und erkennt direkt am Ort der Datenerzeugung Abweichungen. Das ermöglicht eine zukunftsweisende Art des Condition Monitoring – energieeffizient, dezentral und auf kleinstem Raum.

Analyse direkt im Edge Device

Vibrationen sind sowohl Indikatoren als auch häufige Ursache für Verschleiß und Schäden an Antriebssystemen. Bei AIQ-Bo analysiert ein optimiertes KI-Modell in einem dreiachsigen Beschleunigungssensor die aufgezeichneten Vibrationsdaten. Damit konnten die Forschenden des Fraunhofer CCIT KI in einem Microcontroller direkt an der Wirkstelle so einsetzen, dass sie Sensordaten energieeffizient und lokal auswertet.

Der entscheidende Vorteil: Die Vibrationsdaten müssen für die Analyse nicht erst in die Cloud gesendet werden. Die KI wird auf dem Gerät ausgeführt, die Verarbeitung der Informationen findet über die Fraunhofer-Technologie Embeddif.ai dort statt, wo sie anfallen: im Edge Device. Das trainierte KI-Modell im integrierten Mikrocontroller des Sensors erkennt selbständig, ob die Komponente im Normalbetrieb läuft oder eventuell kritische Zustände erreicht – ohne Übertragung an die Cloud. Erst dann, wenn ein problematischer Status vorliegt, wird dieser per Funk an die Cloud weitergegeben. Dies reduziert die zu übertragende Datenmenge enorm und macht das System äußerst energieeffizient. Ermöglicht wird dies durch das Open Source KI-Framework AlfES. Mit diesem lassen sich Künstliche Neuronale Netze (KNN) auf nahezu jeder Hardware in IoT-Geräten betreiben und trainieren – wie hier auf einfachen Mikrocontrollern.

Drahtloses KI-Retraining aus der Cloud

Rechenintensive Aufgaben wie das Training des KI-Algorithmus oder die Berechnung eines neuen KI-Modells erfolgen in der Cloud. Modellparameter können aktualisiert und per Funk an den Sensor zurückgesendet werden, um die Anomaliedetektion beispielsweise an veränderte Umweltbedingungen anzupassen. Zur Übertragung der Daten kommt die Funktechnologie Mioty zum Einsatz. Diese zeichnet sich durch hohe Energieeffizienz aus. Energy Harvesting versorgt die Sensorik und das Funksystem mit Energie aus der unmittelbaren Umgebung und nutzt dabei beispielsweise Temperatur oder Sonnenlicht zur Stromerzeugung. Eine alternative Versorgung durch kleine Batterien ist ebenso möglich.

Energie- und Kosteneffizienz durch AIQ-Bo

»Der Fraunhofer CCIT entwickelt Technologielösungen für das Edge-Cloud-Continuum, das dezentrales Edge-Computing und zentrales Cloud-Computing nahtlos miteinander verknüpft. Daten werden automatisch an der Stelle verarbeitet, an der es am effizientesten und ökonomisch sinnvollsten ist: In Echtzeit in der Edge, nah an Endgerät und Sensorik, oder skalierbar in zentralen Rechenzentren. AIQ-Bo zeigt beispielhaft, wie dadurch konkreter Mehrwert beim Condition Monitoring entsteht«, betont Michael Fritz, der Leiter der Geschäftsstelle des Fraunhofer CCIT. Durch das automatisierte, KI-gestützte Condition Monitoring mit AIQ-Bo muss keine manuelle Prüfung der Anlage durch technisches Personal vorgenommen werden, was im laufenden Betrieb – beispielsweise eines Offshore-Windparks – nicht realisierbar und deshalb mit hohen Ausfallkosten verbunden wäre.

Die innovative Technologie-Lösung ist hochgradig anpassbar: »Unser Ziel war es, AIQ-Bo so flexibel zu gestalten, dass es mit möglichst wenig Training an unterschiedlichen Systemen eingesetzt werden kann, beispielsweise an Windenergieanlagen, Brücken oder Brückenkränen«, so Dr. Peter Spies, verantwortlicher Projektleiter des Fraunhofer-Instituts für Integrierte Schaltungen IIS. Auch das Training in der Cloud und der Transfer der Daten über Funk sei auf unterschiedliche Anwendungsszenarien übertragbar.

Lesen Sie auch: Igubal-Gelenklager mit Predictive Maintenance-System ausgestattet.