KI-basierte Leckageerkennung in Druckluftsystemen

Wir betrachten Ihr Druckluftsystem als reichhaltige Informationsquelle. Anstatt auf teure Zusatzsensorik zu setzen, nutzen wir die Daten, die Ihre Kompressoren und Sensoren bereits liefern, und wählen je nach Datenlage das optimale Lernverfahren.

• Szenarien der Anomalieerkennung: Die passende Strategie für Ihre Daten
  • Unüberwachtes Szenario (Der Regelfall): Es liegen keine Labels vor. Unsere Systeme, basierend auf Architekturen wie Autoencodern oder Transformern, lernen selbstständig das Normalverhalten aus den Daten und identifizieren jede signifikante Abweichung als Anomalie. Dieser Ansatz ist ideal für die Praxis, da der manuelle Annotationsprozess entfällt.
  • Überwachtes Szenario (Der Idealfall): Liegen gelabelte Messdaten vor, erlernen Modelle wie Entscheidungsbäume, welche Signaturen zu welchen Leckstellen gehören. Dies liefert höchste Genauigkeit für bekannte Fehler.
  • Selbst-/Teilüberwachte Szenarien (Der beste Kompromiss): Wir kombinieren eine kleine Menge an annotierten Daten mit vielen ungelabelten Daten oder nutzen Zeitreihen-Rekonstruktion. Bereits wenige Labels können die Erkennungsrate signifikant erhöhen.
• Ereignisdetektion und Feature-Extraktion
  Leckagen äußern sich als unerwartete Druckabfälle oder dauerhafte Grundlasten. Unsere Algorithmen zur Change-Point-Erkennung identifizieren signifikante Änderungen im Druck- oder Durchflussverlauf. Anschließend extrahieren wir charakteristische Signaturen – wie Druckabfallkurven oder Lastgradienten. Eine Grundlastanalyse in Stillstandszeiten liefert dabei klare Rückschlüsse auf die generelle Dichtheit des Systems.

Die reine Detektion reicht nicht aus. Die große Herausforderung – und unsere besondere Expertise – liegt in der Eingrenzung des Ortes, um Reparaturen gezielt durchzuführen.

• Physikalische Netzmodellierung: Wir modellieren das physikalische Netz Ihres Druckluftsystems und korrelieren Messwerte von unterschiedlichen Positionen miteinander.
• Analyse von Druckwellen: Eine Leckage erzeugt eine minimale Druckwelle. Durch die zeitversetzte Analyse der Signale von mehreren verteilten Drucksensoren können wir den Ursprungsort der Störung eingrenzen.
• Zonenspezifische Verbrauchsanalyse: Durch intelligente Segmentierung Ihres Netzes ordnen wir den Verlust einem spezifischen Leitungsabschnitt oder einer Verbrauchergruppe zu.

Um die Lokalisierung und Quantifizierung noch präziser zu gestalten, setzen wir auf einen der modernsten Ansätze der KI-Forschung: Physics-Informed Neural Networks (PINNs).

• KI trifft auf Strömungsmechanik: Ein PINN ist mehr als nur ein datengetriebenes Modell. Es integriert die fundamentalen Gesetze der Physik – in diesem Fall die Kontinuitäts- und Impulsgleichungen der Strömungslehre – direkt in die Verlustfunktion des neuronalen Netzes. Das Modell wird also nicht nur dafür optimiert, die Sensordaten gut abzubilden, sondern auch dafür, dass seine Vorhersagen physikalisch konsistent sind.
• Die Vorteile für Sie:
  • Höhere Präzision mit weniger Daten: Da das Modell die physikalischen Grundprinzipien "kennt", benötigt es deutlich weniger Messpunkte, um valide Aussagen zu treffen.
  • Robustheit und Interpretierbarkeit: Die Ergebnisse sind stets im Rahmen des physikalisch Möglichen, was Falschalarme reduziert und die Ergebnisse nachvollziehbar macht.
  • Reduzierter Sensorbedarf: PINNs verbinden die Vorteile daten- und modellbasierter Ansätze und senken so die Notwendigkeit für eine flächendeckende, teure Sensorinstallation.

Unsere Algorithmen entstehen nicht in der Theorie, sondern werden unter härtesten, realitätsnahen Bedingungen entwickelt und validiert. In unserer weltweit einzigartigen WanDa (Wandlungsfähige Druckluft-Forschungsanlage) integrieren wir Prototypen in eine industrienahe Testumgebung, um deren Nutzen in reproduzierbaren Szenarien zu bewerten.

In unserer Demonstrationsanlage strömt die Druckluft wahlweise durch intakte Schläuche oder durch solche mit kaum sichtbaren Löchern, Knicken und undichten Verbindungsstücken – den häufigsten Leckageursachen in der Industrie. Welchen Weg die Druckluft auch nimmt, für das bloße Auge macht das keinen Unterschied: Die Aktoren verrichten weiter ihren Dienst.

Doch unser System misst präzise, was unsichtbar bleibt: Es erfasst, ob die Luft mit mehr oder weniger Druck strömt, ermittelt den Durchfluss, die Position der Aktoren, den Zustand der Ventile und nimmt sogar Ultraschallsignale auf. Mit bis zu 20 einzeln ansteuerbaren Aktoren simulieren wir komplexe industrielle Lastprofile und generieren mit Abtastraten von bis zu 100 Hz eine immense Datenmenge von bis zu 300 GB pro Betriebstag. Dieser riesige und hochqualitative Datenschatz ist die Grundlage für die Entwicklung von KI-Modellen, die auch in Ihrem komplexen industriellen Umfeld zuverlässig und präzise funktionieren.