Pneumatisches System
Ausgangslage
In Deutschland gibt es 62.000 Druckluftanlagen welche jährlich 16 Milliarden kWh Strom verbrauchen. Diese Druckluftanlagen weisen ein Einsparpotential von 50% auf. 30% sind auf Druckluftverlust durch Leckagen zurückzuführen. Ziel sollte es also sein möglichst schnell und kompliziert Leckagen finden und lokalisieren zu können. In der Industrie werden dafür häufig teure Ultraschallsensoren verwendet, jedoch ebenfalls günstige Sensoren im Bereich von 50 Hz bis 20 kHz, da Leckagen häufig auch durch das menschliche Ohr wahrnehmbar sind.
62.000
Druckluftanlagen in Deutschland
16
Milliarden kWh Stromverbrauch
50
Prozent Einsparpotential
30
Prozent Druckluftverlust durch Leckagen
Ziel
Einfache und günstige Umsetzung im AIoT Lab, Wiederverwendung der Ergebnisse.
Umsetzung
Als erste Forschungsplattform wurde eine Miniaturabbildung einer Autowaschanlage gewählt. Dafür wurde ein pneumatisches System aus Lego-Teilen gewählt. Von diesem System führten zwei Schläuche zu einer kleinen Waschanlage. Durch einen Schalter kann gewählt werden, durch welchen der beiden Schläuche die Luft fließt, wobei einem eine künstliche Leckage zugefügt wurde, während der andere keine Leckage aufweist. Mit einem Mikrofon (Samson Go) können nun die Schläuche abgefahren werden und Rapsberry Pi 4 3B+ erkennt im Sekundentakt, ob in unmittelbarer des Mikrofons ein Leck vorliegt.
Architektur und Algorithmen
Damit die Vorhersage ob gerade ein Leck vorhanden ist oder nicht möglichst genau ist, wurden zunächst Aufnahmen von dem System in der StackIt Cloud gesammelt. Später werden weiterhin vereinzelt Daten von dem RPi auf die StackIt Cloud geladen, um die Modelle weiter zu verbessern und höhere Genauigkeiten zu erreichen. Diese Daten wurden durch MFCC (Mel Frequency Cepstral Coefficients) transformiert, indem ein Sliding Window Ansatz gewählt wurde, welcher die Sounddaten und entsprechend dem menschlichen Gehör nachmodelliert, da das Leck mit dem Ohr hörbar war. Mit den neu gebildeten Features konnten nun verschiedene Modelle auf dem FSTI Rechenzentrum trainiert werden. Hier wurden verschiedene Ansätze von simplen Regressionen, komplexen Neuronalen Netzen, bis hin zu Unsupervised Learning Ansätzen in Form von k-Means Clustering probiert.
Ausblick
Nachdem gezeigt wurde, dass das Projekt in der initialen Phase erfolgreich war, geht es darum Rückschlüsse für zukünftige Projekte zu ziehen. Wiederverwendbares stellen hierbei nicht nur die vortrainierten Modelle für pneumatische Anlagen an der verschiedenen Orten, sondern auch die Architektur in Form des Datastreams (oder eher Datenstrom verwenden? Hört sich irgendwie komisch an), des Rechenzentrums und der Edge Geräte. Diese können durch kleine Änderungen ebenfalls bei anderen AIoT Projekten mit anderem Use Case und anderen Daten verwendet werden.
Partner
Ihre Ansprechpartner
Dr. Dirk Slama
