Fault-Detective

Um das Monitoring-Personal bei ihrer Arbeit zu unterstützen, haben Forscher von SOLID Solar Energy Systems, BEST Bioenergy and Sustainable Technologies und Links Foundation einen neuen Algorithmus namens Fault-Detective entwickelt.

SOLID beschäftigt sich schon seit Jahrzehnten mit dem Betrieb und der Überwachung von Anlagen. Die SOLID-Unternehmensgruppe begleitet ihre Kunden vom Engineering über den Anlagenbau bis hin zu Betrieb und Wartung. Ihre solarthermischen Großanlagen produzieren jährlich Millionen von kWh und da ist es entscheidend, dass Störungen so früh wie möglich erkannt werden.

Der neue Algorithmus ist dabei sehr wichtig, um die Qualität und Geschwindigkeit der Fehlererkennung sicherzustellen obwohl immer mehr und mehr Anlagen überwacht werden müssen. Während eine manuelle Analyse der Daten zeitaufwändig ist und einiges an Expertenwissen benötigt, kann eine automatische Fehlererkennung helfen, Fehler schnell und kostengünstig zu entdecken.

Hier bietet Fault Detective eine skalierbare Lösung: Mit Hilfe von maschinellem Lernen kann es auffälliges Systemverhalten automatisch erkennen. Der Hauptvorteil gegenüber anderen Algorithmen ist, dass Fault-Detective sehr einfach angewendet werden kann. Da der Algorithmus rein datengesteuert (data-driven) ist, kann er auf jede solarthermische Anlage angewendet werden und benötigt nur ein paar Messdaten. Alle anderen Informationen werden automatisch auf Grundlage der Messungen extrahiert.

Wie funktioniert es?

Der Algorithmus verwendet einen vierstufigen Ansatz.

Korrelationen finden

Im ersten Schritt wird ein kleiner Teil der Messdaten (~1 Woche) analysiert, um Korrelationen zwischen Sensoren zu ermitteln. Im Prinzip ermöglicht dieser Schritt, dass Fault-Detective die Struktur der Anlage versteht.

Modelle erstellen

Im zweiten Schritt wird maschinelles Lernen eingesetzt, um die Korrelation zwischen den Sensoren zu lernen. Nach diesem Schritt können Sensor-Werte vorhergesagt werden, sofern Daten der korrelierten Sensoren zur Verfügung stehen. Mit anderen Worten erlaubt dieser Schritt, dass Fault-Detective die Beziehungen zwischen den Sensoren modelliert.

Anomalien erkennen

Im dritten Schritt werden die gelernten Modelle verwendet, um auffälliges Anlagenverhalten während des Betriebs zu erkennen. Sobald neue Daten verfügbar sind, werden Vorhersagen anhand der Modelle erstellt. Weichen die Vorhersagen (erwartetes Anlagenverhalten) und die Messungen (tatsächliches Anlagenverhalten) zu stark voneinander ab, deutet dies darauf hin, dass ein Problem bei der Anlage aufgetreten ist.

Umlernen

Schließlich ist ein letzter Schritt erforderlich, damit die Modelle immer auf dem neuesten Stand sind. Dieser Schritt ist nötig, da sich der normale Anlagenbetrieb im Laufe der Zeit ändern kann – zum Beispiel, wenn sich die Betriebsbedingungen saisonal ändern oder Komponenten der Anlage getauscht oder erweitert werden. Daher werden die gelernten Modelle automatisch periodisch erneuert.

Wie sieht die Fehlererkennung aus?

Ein Beispiel für die Fehlererkennung ist in Galerie (Abnormal collector temperature detected by Fault-Detective) zu sehen. Hier wird Fault-Detective verwendet, um die Temperaturen eines Kollektorfelds zu überwachen. An den ersten beiden Tagen stimmen die Vorhersagen (blaue Linie) gut mit den Messwerten (schwarze Linie) überein. Am dritten Tag steigt die Kollektortemperatur jedoch unerwartet an. Fault-Detective kann diese Abweichung (rote Punkte) bereits früh erkennen, bevor die Temperatur über 100°C steigt.

Lukas Feierl, Data Scientist bei SOLID:

“Es war eine große Herausforderung, Fault-Detective zu entwickeln. Aber jetzt ist es großartig, die Früchte unserer Arbeit zu sehen, und ich freue mich auf die nächsten Schritte zur kommerziellen Nutzung des Algorithmus.”