Das Research-Modul von KROHNE auf einem schwarzen Tisch

KROHNE Messtechnik GmbH: Echtzeit-Anomalieerkennung in Messinstrumenten

Im Rahmen des Forschungsprojekts „Service-Meister“ haben die KROHNE Messtechnik GmbH und inovex für KMUs ein System konzipiert, das mittels Machine Learning Anomalien in Messinstrumenten automatisiert erkennt und auswertet. Dabei wurde darauf geachtet, dass das System so generell gehalten ist, dass es KMUs einen niedrigschwelligen Zugang für verwandte Use Cases zum Einsatz von ML gibt. In einem ersten Anwendungsfall haben die Unternehmen das Konzept auf die Messinstrumente von KROHNE angewendet und zeigen, wie sich in Messinstrumenten Anomalien automatisiert und in Echtzeit erkennen und klassifizieren lassen.

Logo von KROHNE Messtechnik GmbH

Um kritische Infrastrukturen wie die Wasserversorgung zu schützen, benötigt man vor allem zuverlässige Maschinen, Transportwege und Speicher. Defekte und Fehler können in diesen Bereichen schnell schwerwiegende Folgen haben. Die Digitalisierung von Geräten, Maschinen und Messsystemen kann genau diese Anomalien verhindern bzw. rechtzeitig vorhersehen. Dadurch können notwendige Wartungsarbeiten gezielt geplant und Kosten eingespart werden.

Im Rahmen des Forschungsprojekts „Service-Meister“ haben die KROHNE Messtechnik GmbH und inovex eine Lösung zur automatisierten und echtzeitfähigen Erkennung von Anomalien in Messinstrumenten entwickelt. Die so entstandene Lösung ist in der Lage, eine nicht-automatisierte Überwachung z. B. der Wassertechnik auf Basis von Schwellwerten abzulösen. Die Erfassung und Analyse von Sensorwerten mit Machine-Learning-Algorithmen ermöglicht eine automatisierte und genaue Identifikation von Anomalien in Echtzeit während des Betriebs.

Neue Möglichkeiten für kleine und mittelständische Unternehmen dank Machine Learning

Das entwickelte System wurde mit dem Ziel konzipiert, es auch auf verwandte Problemstellungen in der Industrie übertragbar zu machen. Der Use Case aus der Zusammenarbeit von inovex und der KROHNE Messtechnik GmbH demonstriert, wie die Umsetzung in der Praxis aussehen kann. Die definierten und zum Teil entwickelten Konzepte, Schnittstellen und Software/ML-Komponenten (Blueprints) ermöglichen Unternehmen – insbesondere im deutschen Mittelstand – einen niedrigschwelligen Zugang zu Machine-Learning-Methoden und setzen dadurch einen Grundbaustein für:

  • die Senkung von Servicekosten und die Erhöhung von Kundenzufriedenheit durch die gezielte Anomalieerkennung und die Bestimmung von kostenoptimalen Wartungsintervallen,
  • die Sicherung von industriellen Produktionsprozessen und dadurch
  • die Entwicklung von neuartigen digitalen Produkten und Serviceleistungen.

Typische Einsatzszenarien für die ML-Lösung

Die von der KROHNE Messtechnik GmbH hergestellten Durchflussmessgeräte werden sowohl im industriellen Bereich als auch im Bereich kritischer städtischer Infrastruktur betrieben. Sie überwachen beispielsweise den Verbrauch von Trinkwasser und die Last auf Zuleitungen innerhalb eines Versorgungsnetzwerks oder liefern wertvolle Informationen zur optimierten Regelung industrieller Prozesse.

Die hochpräzisen Messsysteme sind dabei nicht selten der Witterung ausgesetzt und die beobachteten Prozesse selbst unterliegen teils schleichenden, ungewollten Veränderungen, wie dem Verkalken von Verbindungsleitungen oder deren Verstopfung durch Verschmutzung. Unerkannt können solche Effekte im Extremfall zu stunden- bis tagelangen Ausfällen von beispielsweise einem betroffenen Teil der Trinkwasserversorgung oder industriellen Produktionsprozessen führen. Die Folgen können hohe Kosten durch Produktionsausfälle oder sogar eine nicht gesicherte Grundversorgung der Bevölkerung sein.

André Ebert arbeitet am Forschungszentrum-Setup von KROHNE.

Bisher war die manuelle Suche nach diesen potenziellen Fehlern das Mittel der Wahl. Sie führt jedoch zu einem sehr großen Zeitaufwand bei der Fehlerbehebung. KROHNE Messtechnik GmbH und inovex haben gemeinsam die Erkennung von Anomalien in Durchflussmessgeräten als Demonstrator umgesetzt. Als Basis dienten die im Forschungsprojekt entstanden Blueprints.

Intelligente Messtechnik, modern gedacht

Um Messstrecken automatisiert und in Echtzeit überwachen zu können, hat inovex auf Basis von zuvor erhobenen Sensordaten Machine-Learning-Modelle trainiert. Sie sind in der Lage, unterschiedliche Zustände der Durchflussmessgeräte anhand der Sensordaten in Echtzeit zu erkennen und voneinander zu differenzieren: Kurzschlüsse, Luftblasen im Wasser oder die Verstopfung der Zuleitung sind dadurch schnell erkannt.

Je nach Anwendungsfall und Fehlerklassen, die in einem System auftauchen, können die Modelle neu oder nachtrainiert werden, um so ein breites Spektrum an möglichen Anomalien abzudecken.

Person hält Tablet mit Daten-Interface.

Ein übersichtliches Dashboard visualisiert die erfassten Sensordaten und die erkannten Zustände. Damit ist gewährleistet, dass Servicetechniker:innen Anomalien schnell erkennen und gezielt Wartungsarbeiten vornehmen können. Das senkt unnötige Kosten und gewährleistet einen möglichst unterbrechungsfreien Betrieb.

Technologischer Hintergrund

Die entwickelte Lösung besteht aus drei Komponenten: einem Connector, um die Sensorwerte der Messinstrumente zu erfassen und weiterzuleiten, der Anomalie-Detektion für die Erkennung von Anomalien anhand der Sensorwerte und der Service-Distribution, d. h. einem System, um die Vorhersagen an Zielsysteme und Endbenutzer:innen auszuliefern.

Die entwickelte Anomalie-Detektion wurde auf Basis von freien und offenen Software-Bibliotheken umgesetzt, um den Machine Learning Life Cycle weitestgehend zu automatisieren und eine Übertragbarkeit auf andere Use Cases zu ermöglichen.

Prädiktive Kennwerte werden mittels tsfresh automatisch aus den (hochdimensionalen) Sensordaten extrahiert, womit das aufwändige Feature Engineering beschleunigt wird. Anhand der identifizierten Features setzt inovex für das ML-Training auf die AutoML-Funktionalität von h2o, das eine automatische Selektion von Machine-Learning-Modellen und der Hyperparameteroptimierung ermöglicht. Trainierte Modelle inklusive der dazugehörigen Evaluierungsergebnisse werden in einem Modell-Repository auf Basis von MLflow versioniert abgelegt. Sensordaten und die dazugehörigen Vorhersagen der Zustände werden in einer InfluxDB – einer für Zeitreihen optimierten Datenbank – abgelegt. Die Anbindung von Messsystemen und die Ausleitung von Vorhersagen wird durch standardisierte Schnittstellen gewährleistet. Die entwickelten Services wurden containerisiert und können auf einer Vielzahl von Plattform betrieben werden.

Auf Basis dieser Architektur wurden der Demonstrator für die Anomaliedetektion für Durchflussmessgeräte der KROHNE Messtechnik GmbH umgesetzt und die erkannten Anomalien zusammen mit den Sensorwerten übersichtlich und in Echtzeit in einem Grafana Dashboard dargestellt.

Skizze der KROHNE-Architektur im Servicemeister-Projekt

Erfolgreiches Projekt

Während der gemeinsamen Forschungsarbeit im Service-Meister-Projekt haben die KROHNE Messtechnik GmbH und inovex eine generische Anomalieerkennung für Messinstrumente entwickelt und einen Demonstrator für die Erkennung von Anomalien in Durchflussmessgeräten entwickelt. Der entwickelte Demonstrator zur Erfassung, Klassifizierung und Echtzeit-Visualisierung von Fehlfunktionen wird zurzeit evaluiert und iterativ weiterentwickelt. Blueprints und Informationen zur entwickelten Infrastruktur sind auf Anfrage verfügbar und können für weitere Use Case angepasst werden.

Logo der BMWI Förderung

Das Projekt „Service-Meister“ wird vom Bundeswirtschaftsministerium gefördert.

Wie kann ich Sie unterstützen?

Robert Pesch

Head of Data-driven AI Solutions