Titelbild: mit KI erstellte Visualisierung, keine echte Anlage und keine Aufnahme aus dem Projekt.

Was das für Anlagenbetreiber bedeutet

Sensoren fallen aus, Messwerte driften ab, und in einer automatisierten Anlage kann das den ganzen Prozess stören. KISoSys hat untersucht, ob ein kleines Rechengerät direkt an der Pumpenanlage einen solchen Wert aus den übrigen Messgrößen berechnen kann. Fällt ein Sensor aus, liefert dieser virtuelle Sensor einen Ersatzwert. Das Besondere: Das Lernen findet in der Anlage selbst statt und braucht weder Rechenserver noch externe Datenverbindung.

Das Ergebnis ist ein Demonstrator, der den Ansatz im Feld bestätigt hat. Ein Produkt ist es nicht, und wir setzen es im Betrieb nicht ein. Bei uns kaufen oder buchen können Sie es heute nicht.

Das Projekt

Laufzeit: 1. September 2021 bis 31. Oktober 2024, wegen Chipmangels um 8 Monate verlängert
Förderung: Bundesministerium für Bildung und Forschung (heute BMFTR), Förderbereich KI4KMU
Förderkennzeichen: 01IS21043, betreut vom DLR Projektträger
Koordination: LEGER GmbH

Wer was gemacht hat

LEGER GmbH: Koordination, Anwendungswissen, Anlagen und Felddaten bei Referenzkunden
algorithmica technologies GmbH: Lernverfahren und Modelle
solectrix GmbH: Hardware des Demonstrators
Nuremberg Campus of Technology der TH Nürnberg: Datenlogger, Versuchsstände, Software auf der Hardware

So lief die Erprobung

Mobile Datenlogger zeichneten über Mobilfunk an 12 verschiedenen Pumpensystemen jeweils mehrere Monate lang Daten auf: Leistungsdaten der Pumpen, Volumenströme und Schwingungen. Aus diesen Daten entstanden tiefe neuronale Netze, die den Verlauf einer Messgröße aus den anderen berechnen.

Zwei Pumpen mit isolierten Rohrleitungen, an Motor und Gehäuse sind Messfühler mit Kabeln montiert — Mit Sensorik ausgestattete Pumpen im Feld. Foto aus dem Sachbericht, Abb. 6.

Technikraum mit Pumpen und Rohrleitungen, in der Mitte stehen zwei Datenlogger in Schutzkoffern — Links unten die vermessenen Pumpen, in der Mitte die Datenlogger in Schutzkoffern. Foto aus dem Sachbericht, Abb. 8.

Zum Schluss lief der ganze Kreislauf mit Live-Daten auf einem Demonstrator bei einem Referenzkunden: Daten erfassen, Modell trainieren, Modell anwenden. Ein einzelnes Modell entstand aus 28 Stunden Daten in rund zwei Minuten Training und rechnete nahezu in Echtzeit.

Grüne Platine mit Anschlüssen und einem schwarzen Kühlkörper — Hardware des Demonstrators, Vorderseite. Foto aus dem Sachbericht, Abb. 38.

Diagramm mit zwei Kurven über gut einen Tag: Messwert in Rot und Modell in Grün steigen und fallen gleich, die grüne Kurve liegt im Hochbereich niedriger — Messwert (rot) und Modell (grün) aus dem Feldtest. Der Verlauf passt, der Wert liegt noch versetzt. Für den industriellen Einsatz wäre dieser systematische Fehler noch zu beheben. Diagramm aus dem Sachbericht, Abb. 44.

Was sich gezeigt hat

Das hat funktioniert

Aus den Felddaten ließen sich Softsensoren und eine allgemeine Erkennung von Auffälligkeiten ableiten.
Das Gerät vor Ort zeichnete Live-Daten auf und trainierte daraus Modelle im laufenden Betrieb.
Neue Modelle ließen sich auch aus der Ferne einrichten.

Hier liegen die Grenzen

Ein gemeinsames Modell für unterschiedliche Pumpen zeigte nur geringen Erfolg. Am besten arbeiten Modelle, die je Anlage trainiert sind.
Im Feldtest fehlten Schwingungswerte und ein Durchflusswert. Die Modelle wurden dadurch ungenauer.
Der Arbeitsspeicher des Geräts von 4 GB war der Engpass.
Ob der Ansatz passt, hängt von der Anlage und den übrigen Messwerten ab und ist je Anwendung zu prüfen.

Wie es weitergeht

Das Forschungsprojekt ist abgeschlossen. Laut Sachbericht sind die Voraussetzungen gegeben, den Demonstrator zu einer marktfähigen Lösung weiterzuentwickeln. Beschlossen ist das nicht.

Anlagentechnik für Weiterdenker heißt für uns auch, Fragen an echten Anlagen zu prüfen und das Ergebnis offen zu sagen, selbst wenn daraus noch kein Produkt geworden ist.

Quelle und Förderhinweis

Leger, Bangert, Eckenfels, Mondal, Aftab, Ott, Schmidt-Vollus, Strattner: Verbundprojekt KISoSys, KI-basierte Softsensorik für Fluidfördersysteme. Gesamtprojekt, Sachbericht. Hannover: Technische Informationsbibliothek, 2025. doi.org/10.34657/34136. Fotos und Diagramm stammen aus diesem Bericht, Lizenz CC BY-ND 3.0 DE; nur Dateiformat und Auflösung wurden angepasst.

Das Vorhaben wurde mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 01IS21043 gefördert. Die Verantwortung für den Inhalt dieser Seite liegt bei der LEGER GmbH.