EP Basics: Soft-Sensor Ein virtueller Sensor misst mehr

Anbieter zum Thema

PFLITSCH GmbH & Co. KG

ISH Ingenieursozietät GmbH

Syslogic GmbH

Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF

Soft-Sensoren oder auch virtuelle Sensoren sind viel mehr als einfache Sensoren. Dank künstlicher Intelligenz (KI) fließen nicht nur Messdaten in das mathematische Modell. Auch das Wissen der Mitarbeiter erhält Einzug. Die Soft-Sensoren werden nicht nur in der Industrie benötigt.

Sensoren kennen wir aus unserem Alltag: Mit ihnen lassen sich physikalische Größen wie Temperatur, Feuchte oder Druck messen. Schnell liegen die entsprechenden Messdaten vor, können vor Ort ausgewertet werden und fließen beispielsweise in ein ERP-System ein. Dank der vernetzten Industrie, Stichwort Internet der Dinge, nimmt die Zahl der verbauten Sensoren stetig zu.

Doch nicht überall ist es sinnvoll, einen physikalischen Sensor einzusetzen. Zum einen kann das zu teuer sein und zum anderen sind die notwendigen Messdaten nicht mit einem einzelnen Sensor messbar. Auch kann es sein, dass keine quantitative Messung, sondern eine qualitative Aussage notwendig ist. Das können beispielsweise Aussagen sein wie: Läuft die Produktion gut oder muss ein Gerät ausgetauscht werden? Solche Messaufgaben kann ein herkömmlicher physikalischer Sensor nicht ermitteln.

Ein weiteres Beispiel ist, wenn mehrere Messdaten gleichzeitig aufgenommen und die Daten zusammengeführt werden sollen. Dann spricht man von Sensorfusion. Man kann zusammenfassen: Soft-Sensoren und Sensorfusion kommen dann zum Einsatz, wenn klassische Messtechnik nicht ausreichend ist, um komplexe Messgrößen zu ermitteln. Dann dann steigen die Kosten schnell an. An dieser Stelle kommen Soft-Sensoren zum Einsatz.

Wie ein Soft-Sensor funktioniert

Was versteht man unter einem Soft-Sensor? Ein Soft-Sensor bildet in Abhängigkeit von korrelierenden Messgrößen eine zu bestimmende Zielgröße ab. Die zu bestimmende Zielgröße wird also nicht mit realen Messsensoren im klassischen Sinn bestimmt, sondern anhand der Zusammenhänge zu anderen Messgrößen. Hier kommt das mathematische Modell und die KI ins Spiel. Deshalb ist ein Soft-Sensor anders als ein physischer Sensor ein Stück Software, ein Modell der realen Welt.

Um den Einsatz eines Soft-Sensors zu erläutern, soll das Beispiel eines chemischen Reaktors dienen. Es gibt keinen Sensor, um die zur Steuerung benötigten Live-Daten aus einem Prozess zu gewinnen. Jede Stunde muss manuell oder automatisiert eine Probe aus dem Reaktor genommen werden. Diese Probe kommt anschließend ins Labor. Dort dauert die Analyse etwa eine Stunde und man erhält einen Messwert.

Jede Stunde kommt also ein neuer Messwert. Das ist allerdings unpraktisch, viel zu zeitaufwendig und für eine Steuerung des Prozesses ist eine Totzeit von einer Stunde oft zu lange. In einem chemischen Reaktor bedient man sich der bereits vorhandenen physischen Sensoren: Temperatur, Druck, Stromverbrauch oder es fließen Parameter von Eingangsstoffen in die Berechnungen mit ein. Aus all den Daten lässt sich ein mathematisches Modell auf der Basis von maschinellem Lernen erstellen.

Dieses Modell stellt den Soft-Sensor dar. Man weiß, was man erwartet und passt das mathematische Modell entsprechend an. Dann lässt sich mit einem einfachen neuronalen Netz zu jedem Messzeitpunkt ein genaues Verhalten vorhersagen. Schließlich lässt sich der Prozess in Echtzeit steuern. Läuft das System stabil, können die Zeitabstände für die Probenentnahmen jetzt auch erhöht werden. Somit lassen sich die Kosten beispielsweise für das Labor sparen.

Es kommt auf die gesammelten Daten an

Die Vorauswahl der Daten und die Vorverarbeitung sind nicht trivial. Wichtig ist es zu wissen, welche Ergebnisse man am Ende erwartet und wie das System mit Fehlern umgehen soll. Ausgewertet werden die Daten mithilfe von künstlicher Intelligenz.

Mit vielen kostenlosen Tools ist es jetzt jedem möglich, mit den Methoden des maschinellen Lernens auch, komplexe Daten auszuwerten. Jeder Student ist in der Lage, beispielsweise mit Python, einen KI-Algorithmus zu programmieren. Entscheidend ist allerdings die vorherige Datenanalyse.

Zwar kann man eine künstliche Intelligenz über die Daten laufen lassen. Doch wenn man nicht weiß, wonach man sucht, welche Nebenbedingungen eingehalten werden müssen und welches Ergebnis man am Ende der Untersuchung haben möchte, ist der Algorithmus sinnlos oder im schlimmsten Fall sogar gefährlich. Hat man ausreichend viele fehlerfreie Daten allerdings ohne Fehler und man weiß, welche Ergebnisse man am Ende erhalten möchte, lässt sich das ohne Problem umsetzen.

In der industriellen Praxis hat man jedoch meistens zu wenige aussagekräftige Daten, insbesondere von seltenen Ereignissen. Hier müssen die jeweiligen Fachingenieure hinzugezogen werden, um wiederum ihr Wissen einfließen zu lassen. Das ist nicht billig, aber es lohnt sich. Wichtig vor dem Einsatz eines Soft-Sensors: Man sollte genau überprüfen, was die Maschine oder Anlage in Fall eines Fehlers machen soll.

Wenn das Mitarbeiterwissen einfließt

Dr. Andreas Herzog vom Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF in Magdeburg erzählt, dass sein Institut schon seit vielen Jahren daran arbeitet, Methoden zu entwickeln, die mit möglichst wenig Daten auskommen.

Doch allein die gesammelten Daten reichen nicht aus. Es fließt sehr viel Erfahrungswissen der Mitarbeiter in die Software-Algorithmen mit ein. Mögliches Erfahrungswissen kann sein, wie eine Maschine oder Anlage bedient wird oder wie Messergebnisse interpretiert werden. An das Erfahrungswissen kommt man beispielsweise durch Workshops oder Interviews. Der wertvolle Erfahrungsschatz der Mitarbeiter ist dann nicht nur Bestandteil eine Algorithmus, sondern bleibt zudem auch noch erhalten.

Alle gesammelten Daten von physischen Sensoren und den Erfahrungsschatz der Mitarbeiter fließen beispielsweise in eine Cloud und werden dort gespeichert. Mit diesem Fundus an Daten sind die virtuellen Sensoren dann lernfähig. Sie können aus den Daten der Vergangenheit entsprechende Schlüsse für die Zukunft ziehen. Mit dem gelernten Wissen lassen sich auftretende Fehler erkennen und in einer künftigen Anwendung vermeiden.

Soft-Sensoren entlasten neue Mitarbeiter

Für neue Mitarbeiter ist dieser gesammelte Erfahrungsschatz, integriert in einem Soft-Sensor, sehr wertvoll. Denn sie müssen nicht erst das Wissen aufbauen, sondern können bereits auf die aus gesammelten realen Daten und das in eine KI hinterlegte Wissen zurückgreifen. Hinzu kommt, dass Neueinsteiger nicht nur eine Maschine oder Anlage überwachen, sondern gleich mehrere. In dieser Situation spielen die Soft-Sensoren ebenfalls ihre Vorteile aus.

Ein digitaler Zwilling für den Soft-Sensor

Was passiert allerdings, wenn in der Anlage etwas unvorhergesehenes passiert? Dann müssen vorher genau festgelegte Sicherheitsfunktionen anspringen, die im Notfall die Anlage herunter fahren.

Es gibt Prozesse, die sind mit realen Daten nicht trainierbar. Ganz einfach, weil sie nur sehr selten auftreten. Abhilfe kann man sich verschaffen, indem man die Trainingsdaten simuliert. Ist eine Anlage komplett digitalisiert, dann hat man einen digitalen Zwilling. Mit einer komplexen Simulation lassen sich für die Software die Trainingsdaten generieren. Dafür lohnt es sich, Rechenzeit bei einem externen Dienstleister anzumieten.

Nun können für viele unterschiedliche Fälle vorher genau definierte Möglichkeiten durchgespielt werden. So wird der Algorithmus trainiert und verbessert sich dabei kontinuierlich. Diese Zeit sollte man sich allerdings nehmen, damit es nicht zu ungeahnten Überraschungen kommt.

Industrie, Landwirtschaft oder privater Einsatz

Im Prinzip eignen sich Soft-Sensoren für alle Industriezweige. Aber auch in der Landwirtschaft oder sogar für den privaten Einsatz gibt es Anwendungen für die Soft-Sensoren. Es kommt dabei immer auf die KI an und wie sie trainiert wurde. Soft-Sensoren finden sich selbst in der hoch kritischen Medizintechnik. Das gute an einem Soft-Sensor ist: Er verbindet nicht nur unzählige Trainingsdaten, die real gemessen oder simuliert wurden. Mit dem Soft-Sensor lässt sich Wissen von ganz unterschiedlichen Mitarbeitern in den Algorithmus implementieren.

So kann ein Soft-Sensor, der beispielsweise Röntgenbilder analysiert, das Expertenwissen von ganz unterschiedlichen Ärzten oder Experten vereinen. Die Ergebnisse eines solchen Soft-Sensors sind entsprechend präziser und für eine medizinische Diagnose hilfreicher, als wenn nur die Bilddaten vorliegen.

(ID:47871854)