STUTTGARTER BEITRÄGE ZUR PRODUKTIONSFORSCHUNG BAND 133 Christian Dierolf »Identifikation und Klassifikation von Druckluft-Leckagen mit Methoden des maschinellen Lernens in Maschinen« Herausgeber Univ.-Prof. Dr.-Ing. Thomas Bauernhansl1,2 Univ.-Prof. Dr.-Ing. Dipl.-Kfm. Alexander Sauer1,3 Univ.-Prof. Dr.-Ing. Kai Peter Birke4 Univ.-Prof. Dr.-Ing. Marco Huber1,2 1Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Stuttgart 2Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart 3Institut für Energieeffizienz in der Produktion (EEP) der Universität Stuttgart 4Institut für Photovoltaik (ipv) der Universität Stuttgart Kontaktadresse: Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA Nobelstr. 12 70569 Stuttgart Telefon 0711 970-1101 info@ipa.fraunhofer.de www.ipa.fraunhofer.de Bibliographische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliographie; detaillierte bibliografische Daten sind im Internet über http://dnb.de abrufbar. Zugl.: Stuttgart, Univ., Diss., 2022 D 93 2022 Druck und Weiterverarbeitung: Fraunhofer Verlag, Mediendienstleistungen, Stuttgart, 2022 Für den Druck des Buches wurde chlor- und säurefreies Papier verwendet. Dieses Werk ist einschließlich aller seiner Teile urheberrechtlich geschützt. Alle Rechte, insbesondere die der Übersetzung, des Nachdrucks, der Wiedergabe, sind vorbehalten. Identifikation und Klassifikation von Druckluft-Leckagen mit Methoden des maschinellen Lernens in Maschinen Von der Fakultät Energie-, Verfahrens- und Biotechnik der Universität Stuttgart zur Erlangung der Würde eines Doktor-Ingenieurs (Dr.-Ing.) genehmigte Abhandlung Vorgelegt von Christian Dierolf aus Schwäbisch Hall Hauptberichter: Univ.-Prof. Dr.-Ing. Alexander Sauer Mitberichter: Univ.-Prof. Dr.-Ing. Matthias Weigold Tag der mündlichen Prüfung: 09.02.2022 Institut für Energieeffizienz in der Produktion (EEP) der Universität Stuttgart 2022 Vorwort Die vorliegende wissenschaftliche Arbeit entstand während meiner Tätigkeit am Institut für Energieeffizienz in der Produktion der Universität Stuttgart (EEP) und des Fraunhofer- Institut für Produktionstechnik und Automatisierung IPA. Besonders danke ich Herrn Univ.-Prof. Dr.-Ing. Dipl.-Kfm. Alexander Sauer, dem Leiter des EEP und des Fraunhofer IPA, für die fachliche Förderung meiner Arbeit und die motivierende Zusammenarbeit. Bei Univ.-Prof. Dr.-Ing. Matthias Weigold, dem Institutsleiter des Instituts für Produkti- onsmanagement, Technologie und Werkzeugmaschinen an der TU Darmstadt, bedanke ich mich für die Übernahme des Korreferats und der wissenschaftlichen Begleitung. Für die Übernahme des Vorsitzes der Prüfungskommission danke ich Prof. Dr. Zer. nat. Dr. h. c. Siegfried Schmauder. Danke an alle Kolleg:innen des EEP und des Fraunhofer IPA, die mich während dieser Zeit begleitet und bei meiner Arbeit unterstützt haben. Herzlich bedanke ich mich bei meinen Eltern Birgit und Rolf, die mir meine Ausbildung ermöglicht und mich mental begleitet haben. Ein besonderer Dank gilt meiner Patentante Andrea für die Unterstützung bei der schriftlichen Ausarbeitung. Von ganzem Herzen danke ich meiner Frau Sandra für die inhaltliche Begleitung und kritischen Diskussionen in ihrer liebenswerten und stets fordernden Art. Ihre bedingungslose Unterstützung hat maßgeblich zum Erfolg dieser Arbeit beigetragen. Ludwigsburg, im Februar 2022 Christian Dierolf Kurzfassung In der Industrie wird Druckluft vielseitig eingesetzt. Als teure Energieform steigt zu- nehmend die Relevanz, denn noch heute existieren Druckluft-Leckageraten von 15 % bis 50 % und verursachen hohe Kosten. Es sind viele Produkte und Methoden zur Leckage- Erkennung in Druckluftnetzen bekannt und etabliert. Für Maschinen sind diese jedoch nur teilweise marktreif. Es ist also nicht möglich, automatisiert mit wenig Messtechnik sowie geringem Implementierungsaufwand Leckagen zu lokalisieren. Die Unterscheidung von Leckage-Ursachen war bislang Aufgabe von Fachkräften. Sie erfolgte bei wiederkehrenden Inspektionen der druckluftbetriebenen Maschine. Im Fokus der Arbeit steht, wie automatisiert in einem Druckluftsystem in Maschinen Pneumatikaktoren detektiert und Ursachen von Druckluft-Leckagen klassifiziert werden können. Durch die zentrale Druck- und Durchflussmessungen am Maschinenanschlusspunkt bleibt der Messaufwand gering. Die Arbeit beschreibt ein methodisches Vorgehen in fünf Schritten, das mit einem maschinell erlernten, datenbasierten Modell endet. Beginnend mit der Detektion des Beginns einer Aktoraktion werden Merkmale erstellt, hinsichtlich ihrer Relevanz ausgewählt und im nächsten Schritt damit Klassifikatoren erzeugt. Das Modell ist die Verknüpfung von Detektor und Klassifikator. Das Modell klassifiziert Aktorarten, -dimensionierungen und -aktionen, die häufig in der Industrie eingesetzt werden sowie hierbei auftretende Ursachen von Leckagen. Unter Berücksichtigung der 37 möglichen Klassen, konnten die Leckagen in einer druck- luftbetriebenen Maschine anhand von vier Anwendungsszenarien kontinuierlich und au- tomatisiert lokalisiert sowie die Ursachen mit guten Ergebnissen unterschieden werden. Diese Eigenschaften machen die Lösung gegenüber dem aktuellen Stand der Technik und Wissenschaft einzigartig. Bislang wirtschaftlich nicht vertretbare jedoch technisch mögli- che Einsparpotenziale sind jetzt durch diese Leckage-Erkennung für druckluftbetriebene Maschinen nutzbar. Abstract In industry compressed air is used in many ways. As an expensive form of energy, its relevance is increasing because compressed air leakage rates of 15 % bis 50 % still exist today and cause high costs. Many products and methods for leakage detection in compressed air networks are known and established. For machines, however, they are only partially ready for the market. There is no solution to locate leaks automatically, with little measurement technology as well as low implementation effort. The detection of leakage causes has so far remained the task of experts during recurring inspections of the compressed air-operated machine. The focus of this work is on how pneumatic actuators can be detected automatically in a compressed air system in machines and how causes of compressed air leaks can be classified. Central pressure and flow measurements at the machine connection point keep the measurement effort low. The work includes a five-step methodological approach that ends with a model, based on machine learning. Starting with the detection of the beginning of an actor action, features are created, selected according to their relevance, and respective classifiers are generated in the next step. The model is the link between the detector and the classifier. The model classifies actuator types, dimensions and actions that are frequently used in industry, as well as the causes of leakage. Considering the 37 possible classes, the leakages in the compressed air-operated machine could be localized continuously and automatically based on four application scenarios, and the causes could be distinguished with good results. These features make the solution unique compared to the current state of the art and science. Potential savings that were previously economically unfeasible but technically possible can now be used thanks to this leakage detection system for compressed air-driven machines. Inhaltsverzeichnis Abkürzungs- und Variablenverzeichnis 10 Abbildungsverzeichnis 15 Tabellenverzeichnis 17 1 Einleitung 19 1.1 Ausgangssituation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.2 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.3 Zielsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 1.4 Wissenschaftliche Einordnung und Aufbau der Arbeit . . . . . . . . . . . . 29 2 Grundlagen Drucklufttechnik und maschinelles Lernen 33 2.1 Systemübersicht und Begrifflichkeiten . . . . . . . . . . . . . . . . . . . . . 33 2.2 Physikalische Zusammenhänge . . . . . . . . . . . . . . . . . . . . . . . . . 36 2.3 Maschinelles Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 2.3.1 Begriffe und Vorgehensweisen . . . . . . . . . . . . . . . . . . . . . 42 2.3.2 Anwendung und Grenzen . . . . . . . . . . . . . . . . . . . . . . . 48 2.3.3 Datenlücken und Normalisierung der Merkmale . . . . . . . . . . . 51 2.3.4 Auswahl und Reduktion der Merkmale . . . . . . . . . . . . . . . . 52 2.4 Fazit Drucklufttechnik und maschinelles Lernen . . . . . . . . . . . . . . . 53 3 Grundlagen der Leckage-Erkennung 55 3.1 Methodeneinordnung und Bewertungskriterien . . . . . . . . . . . . . . . . 55 3.1.1 Stufen eines Leckage-Managements und Methodenkategorisierung . 55 3.1.2 Kriterien eines digitalen Leckage-Managements . . . . . . . . . . . 57 3.2 Messprinzipien und Methoden . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.2.1 Differenzdruckanalyse . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.2.2 Direkte Verbrauchsmessung . . . . . . . . . . . . . . . . . . . . . . 59 3.2.3 Indirekte Verlustmessung . . . . . . . . . . . . . . . . . . . . . . . 60 3.2.4 Modellbasierte Leckage-Detektion . . . . . . . . . . . . . . . . . . . 60 3.2.5 Inspektion mit Infrarotkamera . . . . . . . . . . . . . . . . . . . . . 68 3.2.6 Inspektion mit Ultraschallmikrofon . . . . . . . . . . . . . . . . . . 71 3.2.7 Ultraschallmikrofon kombiniert mit Druckluftmessung . . . . . . . 76 3.2.8 Ventilinsel mit Leckage-Überwachungszyklen . . . . . . . . . . . . . 77 8 Inhaltsverzeichnis 3.2.9 Durchflusssensor mit integrierter Leckage-Detektion . . . . . . . . . 79 3.3 Fazit Leckage-Erkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 4 Definition der Lösungsanforderung und Bewertung Stand der Technik 83 4.1 Anforderungen an die Lösung . . . . . . . . . . . . . . . . . . . . . . . . . 83 4.2 Reflexion bisheriger Arbeiten und Bewertung der Methoden . . . . . . . . 86 4.3 Fazit Einordnung der Anforderung gegenüber bisherigen Arbeiten . . . . . 96 5 Entwicklung eines Systems zur Druckluft-Leckage-Überwachung 99 5.1 Methodisches Vorgehen in fünf Schritten . . . . . . . . . . . . . . . . . . . 99 5.2 Detektion im Messsignal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.2.1 Entwicklung Detektor . . . . . . . . . . . . . . . . . . . . . . . . . 109 5.2.2 Zielfunktion und Metriken zur Bewertung . . . . . . . . . . . . . . 118 5.2.3 Zwischenfazit Detektion . . . . . . . . . . . . . . . . . . . . . . . . 120 5.3 Merkmale zur Klassifikation . . . . . . . . . . . . . . . . . . . . . . . . . . 121 5.3.1 Erstellung Merkmale . . . . . . . . . . . . . . . . . . . . . . . . . . 122 5.3.2 Auswahl relevanter Merkmale . . . . . . . . . . . . . . . . . . . . . 130 5.3.3 Zwischenfazit Merkmale . . . . . . . . . . . . . . . . . . . . . . . . 134 5.4 Klassifizierung Leckage-Ursachen . . . . . . . . . . . . . . . . . . . . . . . 135 5.4.1 Erstellung Klassifikatoren . . . . . . . . . . . . . . . . . . . . . . . 138 5.4.2 Klassifikatoren in unterschiedlichen Gruppen . . . . . . . . . . . . 142 5.4.3 Zwischenfazit Klassifizierung . . . . . . . . . . . . . . . . . . . . . 148 5.5 Verknüpfung von Detektion und Klassifikation . . . . . . . . . . . . . . . . 149 5.5.1 Entwurf der Klassifikatorarchitektur . . . . . . . . . . . . . . . . . 151 5.5.2 Zwischenfazit Verknüpfung . . . . . . . . . . . . . . . . . . . . . . 153 5.6 Übertragbarkeit mit geringem Messaufwand . . . . . . . . . . . . . . . . . 154 5.6.1 Voraussetzungen zur Umsetzung . . . . . . . . . . . . . . . . . . . 154 5.6.2 Anwendung in der Praxis . . . . . . . . . . . . . . . . . . . . . . . 156 5.6.3 Zwischenfazit Übertragbarkeit . . . . . . . . . . . . . . . . . . . . . 158 5.7 Fazit Unterforschungsfragen . . . . . . . . . . . . . . . . . . . . . . . . . . 159 5.8 Entwickelte Varianten und Übersicht der Lösung . . . . . . . . . . . . . . . 160 6 Validierung der Lösung und Bewertung der Ergebnisse 165 6.1 Druckluftbetriebene Maschine mit wandlungsfähigen Leckage-Pfaden . . . 165 6.1.1 Mechanischer Aufbau und Pneumatikplan . . . . . . . . . . . . . . 166 6.1.2 Ablaufzyklus und Messsystem . . . . . . . . . . . . . . . . . . . . . 170 6.1.3 Gruppierung Aktionsdauer . . . . . . . . . . . . . . . . . . . . . . . 171 6.1.4 Algorithmen und Datengrundlage für Training und Test . . . . . . 173 Inhaltsverzeichnis 9 6.2 Validierung der Methode und Bewertung der Ergebnisse . . . . . . . . . . 174 6.2.1 Detektion im Messsignal . . . . . . . . . . . . . . . . . . . . . . . . 175 6.2.2 Merkmale zur Klassifikation . . . . . . . . . . . . . . . . . . . . . . 181 6.2.3 Klassifizierung Leckage-Ursache . . . . . . . . . . . . . . . . . . . . 185 6.2.4 Verknüpfung von Detektion und Klassifikation . . . . . . . . . . . . 197 6.2.5 Übertragbarkeit mit geringem Messaufwand . . . . . . . . . . . . . 199 7 Reflexion der Ergebnisse 213 7.1 Beurteilung der Validierungsergebnisse . . . . . . . . . . . . . . . . . . . . 214 7.1.1 Zwischenschritte der Klassifikation . . . . . . . . . . . . . . . . . . 214 7.1.2 Detektion und Klassifikation mit dem Modell . . . . . . . . . . . . 215 7.1.3 Gegenüberstellung der direkten Klassifikation . . . . . . . . . . . . 217 7.1.4 Eignung der druckluftbetriebenen Maschine . . . . . . . . . . . . . 218 7.2 Bewertung der Anforderungserfüllung . . . . . . . . . . . . . . . . . . . . . 219 7.3 Beantwortung der zentralen Forschungsfrage . . . . . . . . . . . . . . . . . 221 8 Zusammenfassung und Ausblick 223 Literatur 227 Anhang 250 Abkürzungs- und Variablenverzeichnis Abkürzungen Bezeichnung Beschreibung Aventics Aventics GmbH DIN Deutsche Institut für Normung EN Europäische Norm EU Europäische Union Festo Festo AG ifm ifm electronic GmbH ISO Internationale Organisation für Normung KEFF regionalen Kompetenzstellen Netzwerk Energieeffizienz KI Künstliche Intelligenz LOOXR LOOXR GmbH Mader Mader GmbH & Co. KG MSB Manufacturing Service Bus NEXOCRAFT NEXOCRAFT GmbH OPC UA Open Platform Communications Unified Architecture rawe rawe hermetics Abkürzungen 11 Bezeichnung Beschreibung SICK SICK AG SMC SMC Corporation (Europe) SPEC Standarddokument nach öffentlich verfügbaren Spezifikationen SPS speicherprogrammierbare Steuerung sUSe skalierbare Ultraschall- und Volumenstromsensorplattform USA Vereinigte Staaten von Amerika VDMA Verband Deutscher Maschinen- und Anlagenbau 12 Variablen Variablen Bezeichnung Beschreibung 𝐶𝑙 Leitwert pneumatischer Widerstand im Beobachteransatz 𝐷drf Detektionsbereichsfaktor 𝐷dr Detektionsbereich 𝐷ds Detektionsstandardabweichung 𝐺𝑙 Aktoraktionsdauer-Gruppe 𝐺𝑠 Detektor-Gruppe 𝐺𝑡,𝑑 Aktorart-Dimensionierung-Gruppe 𝐺𝑢,𝑎 Leckage-Ursache-Aktoraktion-Gruppe 𝐻 Länge des Kolbenwegs (Hub) 𝐾dog Untersegmentende 𝐾drf Unterteilungsfaktor 𝐾drs Schrittintervall 𝐾dug Untersegmentstart 𝑁 Normbedingungen 𝑃 Betriebsdruck 𝑃1𝑑 Anfangsdruck Differenzierer 𝑃2𝑑 Enddruck Differenzierer 𝑃4 Druckmessung an der Position vier im Beobachteransatz 𝑃5 Druckmessung an der Position fünf im Beobachteransatz 𝑃𝑎 Atmosphärischer Druck 𝑇0 Gastemperatur Umgebung Gasmodell 𝑇1 Gastemperatur Behälter Gasmodell 𝑇𝑐 Gastemperatur Öffnung Gasmodell 𝑈1 Strömungsgeschwindigkeit Gasmodell 𝑉 Volumen im Gesamtsystem einschließlich aller Luftbehälter und Rohrleitungen 𝑋 Merkmal-Datenframe Δ𝑃 Differenzdruck Δ𝑡 Zeitintervall der Messung beim Differenzierer 𝛼 Ausrichtungswinkel Variablen 13 Bezeichnung Beschreibung �̇�1 Variation des Druckluftbedarfs im Beobachteransatz fdr discovery Falscherkennungsrate Detektor tpr Richtigerkennungsrate tpr recall Richtigerkennungsrate Detektor 𝜌0 Gasdichte Umgebung Gasmodell 𝜌1 Gasdichte Behälter Gasmodell 𝜌𝑐 Gasdichte Öffnung Gasmodell 𝑎 Arbeitstakte pro Minute 𝑎𝑜 Aktoraktion 𝑎𝑐𝑐 Genauigkeit 𝑏 Anzahl Hub 𝑐0 Geschwindigkeit Schall Umgebung Gasmodell 𝑐1 Geschwindigkeit Schall Behälter Gasmodell 𝑐𝑎 Anzahl an Trainingsdaten 𝑐𝑐 Geschwindigkeit Schall Öffnung Gasmodell 𝑐𝑝 Leckage-Ursache 𝑑 Kolbendurchmesser 𝑑𝑎 Anzahl an Dimensionen 𝑑𝑟 Aktordimensionierung 𝑒𝑖 Modellfehler im Beobachteransatz 𝑓 Gleichzeitigkeitsfaktor 𝑓𝑛,recall falsch negativ recall 𝑓𝑛 falsch negativ 𝑓𝑝,discovery falsch positiv discovery 𝑓𝑝 falsch positiv 𝑗 Untersegment 𝑘 Anzahl der Faltungen bei der Kreuzvalidierung 𝑝0 Gasdruck Umgebung Gasmodell 𝑝1 Gasdruck Behälter Gasmodell 𝑝𝑐 Gasdruck Öffnung Gasmodell 𝑞 Druckluftbedarf eines Zylinders 𝑞𝑑 Volumenstrom basierend auf der Abtastung des Differenzdrucks 𝑟𝑛 richtig negativ 𝑟𝑝,discovery richtig positiv discovery 14 Variablen Bezeichnung Beschreibung 𝑟𝑝,recall richtig positiv recall 𝑟𝑝 richtig positiv 𝑠𝑖,𝑗 Segment und Untersegment in der Messung 𝑡𝑎 Dauer der Aktoraktion 𝑡𝑞 Aktorart 𝑥9 Druckluft-Leckagen im Beobachteransatz 𝑥𝑘 Merkmal Abbildungsverzeichnis 1.1 Zielbild der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 1.2 Relevanzanalyse gegenwärtiger Literatur hinsichtlich Druckluftverluste . . 27 1.3 Phasenkonzept angewandte Forschung und Aufbau der Arbeit . . . . . . . 31 2.1 Übersicht eines Druckluftsystems . . . . . . . . . . . . . . . . . . . . . . . 34 2.2 Modell ausströmender Gase . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.3 Durchflussprofil eines Zylinders mit Leckage . . . . . . . . . . . . . . . . . 41 2.4 Struktur Random-Forest-Klassifikator . . . . . . . . . . . . . . . . . . . . . 44 2.5 Lebenszyklusstufen für Softwaremodule künstlicher Intelligenz . . . . . . . 47 2.6 Unter- und Überanpassung von Modellen . . . . . . . . . . . . . . . . . . . 50 3.1 Übersicht ausgewählter Methoden zur Leckage-Erkennung . . . . . . . . . 57 3.2 Analyse von Simulation und Messung zur Leckage-Erkennung . . . . . . . 62 3.3 Temperaturprofil Leckage der Zylinder-Presse aus 15 cm Entfernung . . . . 70 3.4 Lokalisation von Leckagen mit einer Wärmebildkamera . . . . . . . . . . . 71 3.5 Unterscheidung der Arten von Ultraschallemissionen . . . . . . . . . . . . 72 3.6 Drucksignal im Frequenzbereich . . . . . . . . . . . . . . . . . . . . . . . . 74 3.7 Drucksignal im Zeitbereich . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 3.8 Festo Motion Terminal mit Diagnose-Leckage-Anwendung . . . . . . . . . 78 5.1 Vorgehensweise zur KI-basierten Leckage-Erkennung . . . . . . . . . . . . 100 5.2 Symbolik der Berechnungsschritte . . . . . . . . . . . . . . . . . . . . . . . 107 5.3 Beginn einer Aktoraktion detektieren . . . . . . . . . . . . . . . . . . . . . 108 5.4 Detektor entwickeln . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 5.5 Signalcharakteristik untersuchen . . . . . . . . . . . . . . . . . . . . . . . . 111 5.6 Konzept Detektionsbereich mit anschließender Klassifikation . . . . . . . . 114 5.7 Merkmal-Datenframe erstellen und relevante Merkmale auswählen . . . . . 122 5.8 Merkmal-Datenframe erstellen . . . . . . . . . . . . . . . . . . . . . . . . . 123 5.9 Markierung der Grundwahrheit im Signal-Datenframe . . . . . . . . . . . . 125 5.10 Merkmale berechnen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 5.11 Merkmalerstellung in Untersegmenten . . . . . . . . . . . . . . . . . . . . 129 5.12 Relevante Merkmale auswählen . . . . . . . . . . . . . . . . . . . . . . . . 132 5.13 Klassifikatoren erzeugen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.14 Klassifikationsaufgaben in Gruppen . . . . . . . . . . . . . . . . . . . . . . 138 16 Abbildungsverzeichnis 5.15 Hyperparameter anpassen . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 5.16 Multigruppen klassifizieren . . . . . . . . . . . . . . . . . . . . . . . . . . . 144 5.17 Klassifikatorarchitektur für Multigruppen . . . . . . . . . . . . . . . . . . 147 5.18 Detektor und Klassifikatoren vereinen . . . . . . . . . . . . . . . . . . . . . 150 5.19 Seriell verknüpfte äußere parallele und innere Unterklassifikatoren . . . . . 152 5.20 Praxistest durchführen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 5.21 Entwicklungen und Integrationen der Arbeit . . . . . . . . . . . . . . . . . 163 6.1 Pneumatikplan Presse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 6.2 Handlingsaufgaben an der druckluftbetriebenen Maschine . . . . . . . . . . 170 6.3 Unterteilung der Aktoraktionsdauergruppe in der Maschine . . . . . . . . . 173 6.4 Detektion bei verschobenen Aktoraktionsbeginnen . . . . . . . . . . . . . . 180 6.5 Strategien zur Eliminierung von Merkmalen . . . . . . . . . . . . . . . . . 184 6.6 Ergebnisse Unterscheidung der Leckage-Ursachen in der Presse . . . . . . . 188 6.7 Parallele Unterklassifikation äußere Unterteilung mit Merkmalen . . . . . . 190 6.8 Unterklassifikation der inneren Unterteilung mit reduzierten Merkmalen . . 193 6.9 Zusammengesetzter Unterklassifikator der äußeren Unterteilung . . . . . . 198 6.10 Modell mit zusammengesetztem Unterklassifikator . . . . . . . . . . . . . . 199 6.11 Genauigkeiten der inneren und äußeren Unterteilung der Lösung . . . . . . 202 6.12 Konfusionsmatrix der Lösung ohne Detektor mit Testdaten der Presse . . . 204 6.13 Wahrscheinlichkeit der prognostizierten Klasse . . . . . . . . . . . . . . . . 205 6.14 Anwendung Pressen und Transportieren mit Signalausschnitten . . . . . . 207 6.15 Anwendung Ansaugen und Schwenken mit Signalausschnitten . . . . . . . 209 Tabellenverzeichnis 1.1 Energieeinsparpotenzial Druckluft technisch und wirtschaftlich . . . . . . . 21 2.1 Konfusionsmatrix im binären Fall . . . . . . . . . . . . . . . . . . . . . . . 45 4.1 Bewertung der Methoden nach Kriterien . . . . . . . . . . . . . . . . . . . 87 5.1 Unterteilung der Aktoraktionsdauer in fünf Bereiche . . . . . . . . . . . . 145 5.2 Übersicht der Methodenbausteine und Varianten . . . . . . . . . . . . . . . 162 6.1 Betrachtete Aktoren in der druckluftbetriebenen Maschine . . . . . . . . . 167 6.2 Detektor Trainingsergebnisse zur Optimierung der Hyperparameter . . . . 177 6.3 Detektor Testergebnisse nach der Hyperparametersuche . . . . . . . . . . . 179 6.4 Verwendete Merkmale nach der Eliminierung . . . . . . . . . . . . . . . . . 183 6.5 Mittelwert acc zur Klassifikation der Leckage-Ursachen . . . . . . . . . . . 186 6.6 Unterklassifikatortyp, Skalierer und Merkmale Leckage-Ursache . . . . . . 187 6.7 Merkmalauswahl parallele Klassifikation der äußeren Unterteilung . . . . . 191 6.8 Reduzierte Merkmale zur Klassifikation der inneren Unterteilungen . . . . 194 6.9 Test äußeren und inneren Unterteilung im parallelen Klassifikator . . . . . 201 6.10 Ergebnis für Handlingsaufgaben ohne Leckage-Ursache . . . . . . . . . . . 210 7.1 Bewertung eigene Lösung . . . . . . . . . . . . . . . . . . . . . . . . . . . 219 1 Einleitung Das Kapitel beinhaltet die Einführung in das Themenfeld Druckluft. Beginnend mit der Ausgangssituation, gefolgt von der Problemstellung, wird durch Druckluft-Leckagen verur- sachte Energieverschwendung thematisiert. Die Zielsetzung wird mit dem Industriebezug weiter in Zusammenhang gebracht, bevor die Forschungsfrage und deren wissenschaftliche Einordnung sowie der Aufbau der Arbeit vorgestellt werden. 1.1 Ausgangssituation Die Relevanz von Druckluft in der Industrie, deren verschiedene Einsatzzwecke und dadurch entstehende Energiekosten, werden im Folgenden vorgestellt. Technische und wirtschaftliche Einsparpotenziale schließen das Kapitel ab. Elektrischer Energiebedarf und Betriebskosten Vier Industriezweige in Deutschland dominieren den Strombedarf für die Drucklufterzeu- gung mit über 10 %. Diese sind: sonstiges verarbeitendes Gewerbe, Fahrzeugbau, Gummi- und Kunststoffwaren sowie Maschinenbau. Das sind über 50 % des Strombedarfs für Druckluft aus allen Branchen zusammen. Der Strombedarf zur Drucklufterzeugung am Gesamtstrombedarf in den jeweils vier Industriezweigen reicht von 12 % bis 14 % nach Tabelle 9.1 im Anhang A. Durchschnittlich werden 8 % des Gesamtstrombedarfs für die Drucklufterzeugung verwendet. (Wuensch et al. 2012, S. 70) Ein Kubikmeter Druckluft kostet in der Erzeugung unter Normbedingungen nach Ka- pitel 2.1 von 1,5 ct bis 3 ct bei einem angenommenen Strompreis von 15 ct/kWh. Nach Kube et al. verursacht der Energiebedarf einer Druckluftstation 70 % der gesamten Le- benszykluskosten. (Kube et al. 2017; Zentrale Koordinierungsstelle KEFF 2017, S. 4) Die Höhe des spezifischen Energiebedarfs in Druckluftsystemen bewerten Dindorf & Wos in einer Studie. Gute Werte bei 6 bar Betriebsdruck liegen im Bereich von 85 kWh/Nl bis 20 1 Einleitung 110 kWh/Nl. Einen spezifischen Energiebedarf von 110 kWh/Nl bis 130 kWh/Nl ordnen sie als akzeptabel ein, größer 130 kWh/Nl als zu hoch. (Dindorf & Wos 2018, S. 518) Technisches und wirtschaftliches Einsparpotenzial Kohn et al. ermittelten in Fallstudien und Literaturrecherchen, welche Faktoren die Um- setzung von Energieeffizienzmaßnahmen beeinflussen. Die primären Faktoren sind das Engagement des Top-Managements und der Einsatz der Mitarbeiter:innen. Deren techni- sches Verständnis sollte durch regelmäßige Schulungen erweitert werden, um langfristige Energieeinsparungen zu erreichen.(Kohn et al. 2021, S. 37–38) Die Untersuchung von McKane & Hasanbeigi in Tabelle 1.1 verdeutlicht die wirtschaft- lichen Einsparpotenziale. Je nach Land liegen diese 5 bis 15 Prozentpunkte unterhalb des technisch Möglichen. Wirtschaftliche Einsparpotenziale beschreiben die Forscher wie folgt: Zunächst werden die Kosten der eingesparten Energie für alle Energieeffizienzmaßnahmen berechnet, aufsteigend nach der Summe der eingesparten Energie sortiert und gegen ei- ne Energiepreislinie aufgetragen. Maßnahmen sind dann wirtschaftlich, wenn sie unter die Energiepreislinie fallen. Die Einsparung einer Energieeinheit für die wirtschaftlichen Maßnahmen ist folglich kostengünstiger als der Kauf einer Energieeinheit. (McKane & Hasanbeigi 2011, S. 6599, 6604) Deutlich unterscheiden sich die Entwicklungsländer Thai- land, Vietnam und Brasilien von den Industriestaaten USA, Kanada und der Europäische Union (EU). Das technische und kosteneffiziente Potenzial ist in den Entwicklungsländern doppelt so hoch. Radgen & Blaustein untersuchten im Jahr 2001 die Drucklufteinsparpotenziale innerhalb der europäischen Union. Theoretische Einsparungen von 20 % sind möglich. Realisierbar sind in der Praxis aufgrund von Umsetzungswahrscheinlichkeiten lediglich 16 %. (Radgen & Blaustein 2001) Der Entwicklungsfortschritt in Druckluftsystemen verursacht nach Analysen von Unger & Radgen zunehmend eine Unterscheidung zwischen technischen und wirtschaftlichen Einsparpotenzialen. Häufig korrelieren niedrige Effizienzstandards mit geringen Wirt- schaftsentwicklungen. In diesen Ländern sind niedrige Investitionskosten ein wichtiger Entscheidungsfaktor zur Realisierung von Effizienzmaßnahmen. In Ländern mit hohen Stromkosten sind die Maßnahmen wirtschaftlich. (Unger & Radgen 2018, S. 212) 1 Einleitung 21 Tabelle 1.1: Energieeinsparpotenzial Druckluft technisch und wirtschaftlich: Für die Industrie- staaten Vereinigte Staaten von Amerika (USA), Kanada, EU sowie die Entwicklungs- länder Thailand, Vietnam und Brasilien im Jahr 2008. (McKane & Hasanbeigi 2011, S. 6604) Land Einsparpotenzial elektrische Energie in industriellen Druckluftsystemen in GWh/a Anteil Energieeinsparung vom Gesamtenergiebedarf industrieller Druckluftsysteme 2008 Wirtschaftlich Technisch Wirtschaftlich Technisch USA 20,3 28,4 21 % 29 % Kanada 4707,0 7498,0 26 % 41 % EU 18,5 24,9 28 % 38 % Thailand 3741,0 4381,0 47 % 55 % Vietnam 1609,0 1970,0 46 % 56 % Brasilien 6069,0 6762,0 42 % 47 % Das Deutsche Institut für Normung (DIN) und die Internationale Organisation für Normung (ISO) definieren das Druckluftsystem durch eine Europäische Norm (EN). Jedes Druckluftsystem hat nach DIN EN ISO 11011 das primäre Ziel, mit der geringsten Energiemenge Druckluft zu erzeugen. Sekundär ist die Energiemenge mit minimalen Verlusten von der Erzeugung bis hin zur Verbrauchsstelle zu übertragen. Abschließend lauten die tertiären Ziele die Eliminierung der Verluste sowie der geringste Druckluftbedarf für die Anwendung. (DIN EN ISO 11011, S. 5) Lediglich 10 % bis 20 % der eingesetzten Energie kann im Druckluftsystem genutzt werden, da Verluste hauptsächlich durch Abwärme und Leckagen aufgrund von Öffnungen in Leitungen oder defekten Komponenten entstehen. (Saidur et al. 2010) Wartungsverantwortliche überprüfen bei regulären Wartungen, ob Leckagen vorhanden sind. Bei einer Umfrage des U.S. Ministeriums für Energie gaben 13 % von 222 Befragten an, dies zu kontrollieren. (U.S. Department of Energy 2001, S. 20) Die entweichende Menge aufgrund von Druckluft-Leckagen summiert sich in Deutschland auf bis zu einem Drittel des Druckluftbedarfs. (Zentrale Koordinierungsstelle KEFF 2017, S. 4) Verluste sind nicht komplett vermeidbar. Aus wirtschaftlichen Gründen empfiehlt Läm- mer tolerierbare Raten von maximal 5 %, 7 % und 10 % bei kleinen, mittleren und größeren 22 1 Einleitung Netzen. Sehr große Netze, wie bei Stahlwerken oder Werften mit einer Rate von 13 % bis 15 %, sind wirtschaftlich vertretbar.(Lämmer 2004, S. 10–11) Nach kurzer Betriebszeit tritt gegebenenfalls Druckluft an neu gebildeten Leckagen aus. Häufig sind die Arbeitskosten zur Reparatur höher als die einzusparenden Energiekosten. (Gloor 2000, S. 1–7) Typische Anwendungsbereiche sind weiter zu untersuchen, wie das Antreiben, Transpor- tieren, Spannen und Spritzen. Zielführend ist, in einer druckluftbetriebenen Maschine mit wandlungsfähigen Leckage-Pfaden verschiedene Aktoren, welche die Anwendungsbereiche abdecken, getrennt voneinander anzusteuern. Nicht jede Verbesserungsmaßnahme ist wirt- schaftlich. Leckagen werden in gewissem Umfang nach Erfahrungswerten toleriert. Neue Entwicklungen in der Leckage-Erkennung könnten bisher ignorierte Verbesserungspoten- ziale wirtschaftlich nutzbar machen. 1.2 Problemstellung Unterschiedliche Fehlzustände können Verluste in Druckluftsystemen oder im Speziellen in der Anwendung bestehend aus Druckluftaktoren oder deren Versorgungsleitung bewirken. Das Verständnis für die Methoden zur Leckage-Erkennung wird geschaffen, indem die Ursachen der Entstehung sowie deren Empfehlung zur Vermeidung erläutert werden. Die sich daraus ergebende spezifische Problemstellung schließt das Kapitel ab, gefolgt von der Zielsetzung der Arbeit im nächsten Abschnitt. Fehlzustände in Druckluftkomponenten Es gibt verschiedene Fehlerzustände in Druckluftkomponenten, die in Druckluftsystemen nach Abbildung 2.1 auftreten können. Gloor unterscheidet diese in Konsequenz, Art der Feststellung und Gegenmaßnahme in Tabelle 9.2 im Anhang B. Hervorzuheben sind die Druckluft-Leckagen an Anwendungen oder Anschlüssen mit der Folge von Luft- oder Druckverlusten. Sie werden durch Lärm oder Produktivitätsreduktion festgestellt. (Gloor 2000, S. 1–7) Desmet & Delore und Kosturkov et al. unterscheiden zwei Arten von Druckluftaus- strömungen: kontinuierliche und spontane Leckagen. Letztere sind messbar, wenn eine 1 Einleitung 23 bestimmte Komponente angesteuert wird. Diese Art tritt am Verbraucher oder einer Rohr- leitungsverbindung des Verbrauchers auf. Kontinuierliche Leckagen treten in Teilen des Druckluftsystems auf, die ständig unter Druck stehen. Das sind unter anderem Kompres- soren, Druckluftspeicher, Verteiler oder Rohrleitungen. Sie sind leicht zu erkennen, sofern ein Vergleichswert bekannt ist, da sie den Druckluftbedarf erhöhen. Die Lokalisierung ist schwer. Hingegen sind spontane Leckagen leichter zu lokalisieren, da sie während der Ansteuerung der Verbraucher auftreten. (Desmet & Delore 2017; Kosturkov et al. 2019, S. 756) Ursachen von Verlusten Druckluftverluste sind nach DIN EN ISO 11011 untergliedert in: Leckage, unsachgemäßer Endverbrauch bei verfügbaren energieeffizientere alternative Technologien sowie künstlicher Bedarf durch schlecht oder ungesteuerte Anwendung. (DIN EN ISO 11011, S. 7, 21) Verluste durch Reibung und Druckluft-Leckagen können im Vergleich zu zuvor erläu- terten Verlusten hinsichtlich unterschiedlicher Netzgrößen bei neuen Druckluftsystemen 5 % und bei alten bis zu 25 % betragen. (Bierbaum & Hütter 2007, S. 122) Häufige Ur- sachen sind: (i.) mechanische Schäden infolge von Reibung oder übermäßigem Anziehen von Schrauben und Dichtungen; (ii.) undichte Ventile, Schraub- und Flanschverbindun- gen, Schweißnähte oder Lötstellen; (iii.) defekte Schläuche und Schlauchkupplungen oder Magnetventile; (iv.) chemische Beanspruchung der Bauteile durch falsch ausgewählte Werk- stoffe; (v.) fehlerhafte Kondensatableiter, Trockner, Filter, Wartungseinheiten.(Bierbaum & Hütter 2007, S. 122; Billep & Flieschhacker 2014, S. 3; Frei 2004, S. 4) Umso schwerwiegender sind deren Auswirkungen, wenn es sich um kritische Druckluftbe- darfe handelt. Sie beeinflussen die Produktqualität, Produktionsrate, Ausschussrate oder Nachbesserungskosten. (DIN EN ISO 11011, S. 31) Druckluft-Leckagen verschwenden nicht ausschließlich Energie, sondern verursachen auch Druckabfälle in den Leitungen. Diese beeinträchtigen die Druckluftanwendung, wie den Betrieb von Geräten und Werkzeugen. (Dindorf et al. 2017, S. 2) 24 1 Einleitung Gegenwärtige Optimierungsempfehlungen Empfehlungen, um Druckluft-Leckagen zu vermeiden und beheben sind: (i.) Druck auf den minimal zulässigen Wert reduzieren; (ii.) hochwertige Rohrverbindungsstücke verwen- den; (iii.) Schweiß- an Stelle von Gewindeverbindungen nutzen; (iv.) Abzweigleitungen und Endabnahmestellen mit Kugelhähnen absperren; (v.) Rohrleitungen zur einfachen Inspektion über Kopf installieren; (vi.) hörbare Druckluft-Leckagen ab 100 l/min (Bayeri- sches Landesamt für Umweltschutz 2004, S. 4) sofort beseitigen und mindestens jährlich das Druckluftsystem inspizieren; (vii.) Betriebsstunden des Kompressors vergleichen, um gestiegenen Bedarf festzustellen.(Dindorf & Wos 2018, S. 53; Lämmer 2004; Zentrale Koordinierungsstelle KEFF 2017, S. 12; Gloor 2000, S. 7; Frei 2004, S. 4) Die Einsparpotenziale, inklusive der Reduzierung von Druckluft-Leckagen, sind in vier Systembereiche aufgeteilt: Druckluftanwendung 49 %, Drucklufterzeugung 34 %, Druckluft- verteilung 16 %, Luftaufbereitung 1 %. Das deckt sich mit der Erkenntnis einer weiteren Studie, in der Leckagen in Handwerksbetrieben häufig in Druckluftanwendungen auftraten. (Billep & Flieschhacker 2014, S. 4; Lämmer 2004, S. 12) Die Handwerksbetriebe in der Untersuchung mit großem Druckluftbedarf wiesen Leckage- Raten von 5 % bis 25 % auf. Die Leckage-Raten erhöhen sich auf 15 % bis 50 %, im Bezug auf Messzeiträume inklusive Zeiten ohne Produktion. Die Leckagen verursachen Volumenströme von 50 l/min bis 250 l/min. Folglich bewirken kontinuierliche Leckagen außerhalb der Produktionszeit Raten von 10 % bis 25 %. Allgemein ermittelte Lämmer Leckage-Rate in Betrieben von 30 % bis 50 %. (Lämmer 2004, S. 10–11, 29) Untersuchungen von Kosturkov et al. in 21 Druckluftsystemen zeigten ein ähnliches Bild. Der Analyse nach erreichen Leckagen eine Rate von 20 % bis 50 % in den betrachteten Industriewerken. (Kosturkov et al. 2019, S. 756) Neben Druckluftanwendungen strömt ein Großteil in Anschlussstellen aus, so der Leit- faden zur Drucklufteffizienz der regionalen Kompetenzstellen Netzwerk Energieeffizienz (KEFF). Dagegen sind die Druckluftverluste in Verteilnetzen gering. Die Aussage unter- mauern Pastewski et al. in ihrem Konzept zur Erhöhung der Transparenz in Druckluftan- wendungen. (Zentrale Koordinierungsstelle KEFF 2017; Pastewski et al. 2019, S. 183) Nahezu die Hälfte der Verluste in Druckluftanwendungen ist durch die Leckage-Beseitigung vermeidbar, daher sollte dieser Bereich weiter erforscht werden. In der Praxis auftreten- 1 Einleitung 25 de Fehlzustände an verschiedene Druckluftaktoren sollten erkannt werden, wie undichte Verbindungen, Löcher oder Knicke im Schlauch. Letzteres verursacht häufig zu Beginn geringe Leckage-Raten, diese steigen durch die Vergrößerung der Austrittsstelle bei fortlau- fender mechanischer Belastung der geknickten Stelle an. Es existieren viele Maßnahmen zur Behebung auftretender Verluste. Leckagen schnell und effizient zu erkennen, ist eine technische Herausforderung mit hohem wirtschaftlichem Potenzial. In druckluftbetriebenen Maschinen, in denen nahezu die Hälfte der Einsparpotenziale vorhanden sind, bleiben die Leckage-Orte schwer zugänglich. Die Leckagen können dadurch nicht während einer wiederkehrenden Inspektion mit einem Ultraschallmessgerät durch das Wartungspersonal gefunden werden. Leckagen, aus denen im laufenden Betrieb der Maschine Druckluft entweicht, können nicht automatisiert und mit minimalem messtechnischen Aufwand festgestellt werden. 1.3 Zielsetzung Ziel dieser vorliegenden Arbeit nach Abbildung 1.1 ist es, eine Vorgehensweise zur auto- matisierten Leckage-Überwachung zu entwickeln. Aus diesem Grund werden Druck- und Durchflussmessungen am Maschinenanschlusspunkt zentral aufgezeichnet und in einem hier entwickelten Software-Framework automatisiert ausgewertet. Datenbasierte, selbstlernende Algorithmen verwenden die Messsignale, um daraus ein Modell zur Leckage-Erkennung abzuleiten. Die Identifikation und Klassifikation umfassen die Aktorart, Aktordimensionie- rung und Aktoraktion sowie die Unterscheidung der beschriebenen Leckage-Ursachen. 26 1 Einleitung Abbildung 1.1: Zielbild der Arbeit: abgeleitet aus der Problemstellung zur Identifikation und Klassifikation von Leckage-Ursachen in druckluftbetriebenen Maschinen. In den nachfolgenden Unterkapiteln wird das Forschungsziel unter Berücksichtigung der Ausgangssituation und der Problemstellung eingegrenzt und relevante Themengebiete der Drucklufttechnik sowie der Leckage-Erkennung werden gegliedert. Anschließend wird der Industriebezug hergestellt. Die nachfolgende zentrale Forschungsfrage und untergeordnete Forschungsfragen werden in dieser Arbeit der Reihe nach beantwortet. Die wissenschaftliche Einordnung und der Aufbau der Arbeit erläutert die Vorgehensweise. Sie schließt das Kapitel ab, bevor in die Grundlagen der Drucklufttechnik und des maschinellen Lernens eingeführt wird. Forschungsfokus und Industrierelevanz Das Ergebnis der Arbeit ist die eindeutige und umfassende Antwort auf die zentrale Forschungsfrage. Es soll untersucht werden, wie Leckagen und deren Ursachen in einem Druckluftabschnitt mit einem Druck- und Durchflusssensor zu quantifizieren sind. An Stelle eines physikalischen Modells soll mit maschinellem Lernen ein datenbasiertes Modell verwendet werden, um Druckluft-Leckagen in Maschinen zu klassifizieren und Modellfehler zu vermeiden. In der vorliegenden Arbeit soll überprüft werden, ob Stan- dardsensorik in der eigenen Lösung verwendet werden kann. Die Herausforderung im maschinellen Lernen bezogen auf die Problemstellung ist, Merkmale in Messsignalen zu 1 Einleitung 27 ermitteln, die eine hohe Genauigkeit erzeugen. Gleichzeitig soll die Generalisierbarkeit des erlernten Klassifizierungsmodells gewährleistet sein. Die Themengebiete der Drucklufttechnik bis hin zur Leckage-Erkennung, mit besonderer Bedeutung für die wissenschaftliche Arbeit, sind in Abbildung 1.2 eingeteilt. Relevanzlevel I für weniger relevante Themen bis zu Relevanzlevel III für außerordentlich relevante. Die Arbeit fokussiert sich auf Druckluftverluste in der Anwendung in Level II und III. Hierzu zählen häufige Ursachen von Leckage-Verlusten und Methoden zu deren Erkennung mit außerordentlicher Relevanz. Abbildung 1.2: Relevanzanalyse gegenwärtiger Literatur hinsichtlich Druckluftverluste: Diese gliedert sich in Relevanzlevel I für weniger relevante Themen bis zu Relevanzle- vel III für außerordentlich relevante. 28 1 Einleitung Seit dem Jahr 2018 veranstaltet das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA halbjährlich das Seminar „Intelligente Druckluft“. Leckagen in Druckluftsystemen bei räumlich verdichteten Maschinen oder in einem abgesperrten Bereich exakt zu lokalisieren, ist in Fachkreisen unumstritten schwierig bis unmöglich. Diese Herausforderungen werden während des Seminars unter Experten diskutiert und von potenziellen Kunden in Akquisegesprächen zunehmend nachgefragt. Für die Erkennung ist eine wiederkehrende Inspektion erforderlich, um die Orte der Leckagen während des Rundgangs zu identifizieren. Der definierte Ablauf einzelner Aktoren im Druckluftsystem kann aufgrund von Prozesseinflüssen von den Vorgaben abweichen. Um nicht festgelegte Zeitintervalle für jeden Ablaufschritt im Steuerungsprogramm festzulegen, ist eine adaptierbare Überwachung, basierend auf den Messdaten, ohne Auslesen der Maschinensteuerung sinnvoll. Komponenten im Druckluftsystem unterliegen einer ständigen Degradation, welche Ausfälle verursachen kann. Es existieren gegenwärtig weder eine Sammlung an Merkmalen noch datenbasierte Mo- delle zur Detektion und Klassifikation von Druckluft-Leckagen in der Druckluftanwendung. Mit dieser Arbeit soll durch eine explorative Vorgehensweise eine Grundlage geschaffen sowie die Qualität und Variabilität zur Detektion und Klassifikation verbessert werden. Die Ziele der Arbeit sind, eine Vorgehensweise zur datenbasierten Modellerstellung zu entwickeln und die zuvor trainierten Modelle zur Leckage-Erkennung anzuwenden. Die folgende zentrale Forschungsfrage und daraus abgeleitete untergeordnete Forschungsfragen sollen beantwortet werden. Zentrale Forschungsfrage Wie können in einem Druckluftsystem in Maschinen mit geringem Messaufwand durch Druck- und Durchflussmessungen Pneumatik-Aktoren detektiert und Ursachen von Druckluft- Leckagen klassifiziert werden? Untergeordnete Forschungsfragen 1. Wie kann der Beginn einer Aktoraktion im Druckluftsignal detektiert werden? Kapitel 5.2: Detektion im Messsignal 1 Einleitung 29 2. Welche Merkmale im Druckluftsignal sind signifikant, um die Leckage-Ursachen mit einem datenbasierten Modell zu unterscheiden? Kapitel 5.3: Merkmale zur Klassifikation 3. Wie können signifikante Merkmale zur Klassifikation häufiger Leckage-Ursachen auf verschiedene Aktorarten und -dimensionierungen mit unterschiedlicher Aktionsdauer übertragen werden? Kapitel 5.4: Klassifizierung Leckage-Ursachen 4. Wie kann ein Modell aus Detektor und Klassifikator aufgebaut werden, um Leckage- Ursachen zu klassifizieren? Kapitel 5.5: Verknüpfung von Detektion und Klassifikation 5. Wie kann der Ansatz mit geringem Messtechnik- und Implementierungsaufwand in ein Druckluftsystem übertragen werden? Kapitel 5.6: Übertragbarkeit mit geringem Messaufwand 1.4 Wissenschaftliche Einordnung und Aufbau der Arbeit Die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung standardisiert das Vorgehen bei Forschungs- und Entwicklungsarbeiten. Sie unterscheiden die Forschung in drei Arten: theoretische oder experimentelle Grundlagenforschung, angewandte Forschung und experimentelle Entwicklung. Die Grundlagenforschung ist eine Arbeit, die ohne einen vordergründigen Nutzen neues Wissen über die Grundlagen von Phänomenen und beobachtbaren Tatsachen erlangen möchte. Die angewandte Forschung hingegen ist auf ein praktisches Ziel ausgerichtet. Zusätzliches Wissen wird in der experimentellen Entwicklung erzeugt, indem auf Grundlage von Erkenntnissen aus Forschung und Praxis neue Verfahren oder Produkte entwickelt oder verbessert werden. (OECD 2018, S. 47–48) Ulrich & Hill prägten die Wissenschaftstheorie, indem sie diese in Formal- und Realwis- senschaft gliederten. Die Mathematik, Logik oder theoretische Informatik sind Beispiele der Formalwissenschaften. Sie haben das Ziel, formale Systeme zu entwickeln und zu analy- sieren. Die Realwissenschaft beschreibt, erklärt und gestaltet die empirisch wahrnehmbare 30 1 Einleitung Realität. Hierunter fallen Grundlagen- und angewandte Handlungswissenschaften. (Ulrich & Hill 1976, S. 304–309) Die Grundlagenwissenschaften erklären und erläutern durch allgemeine Theorien be- stehende Realitäten. In der angewandten Wissenschaft hingegen werden Modelle zur Erschaffung neuer Realitäten angestrebt. Der Praxisbezug ist aus diesem Grund für die angewandte Wissenschaft im Vergleich zur Grundlagenwissenschaft von wesentlicher Bedeutung. (Ulrich 1981, S. 10) Die Ingenieurswissenschaften zählen zu den angewandten Wissenschaften. Existierende Probleme sollen gelöst werden, indem zuvor aufgestellte Lösungshypothesen mit Realda- ten getestet werden. Die gewonnenen Aussagen sind daher von praktischem Wert. Die angewandte Forschung ist aufgrund des Problembezugs und der Erforschung anwendbarer Lösungen abgrenzbar. (Kubicek 1976, S. 3; Kornwachs 1996, S. 32) Als Prozess zur Durch- führung der angewandten Forschung schlagen Ulrich et al. ein Konzept aus verschiedenen Phasen nach Abbildung 1.3 vor. Forschungs- und Entwicklungsaktivitäten können von unterschiedlichen Akteuren durch- geführt werden, dennoch existieren eine Reihe von gemeinsamen Merkmalen. Spezifische oder allgemeine Ziele sollen erreicht werden, basierend auf originären Konzepten oder Hypothesen. Die Aktivität muss neuartig, kreativ, ungewiss, systematisch, übertragbar und/oder reproduzierbar sein, damit sie eine Forschungs- und Entwicklungsaktivität ist. (OECD 2018, S. 47) Aussagen, Lösungsansätze und entwickelte Modelle der angewandten Forschung, die aus den Aktivitäten entstehen, sind wertend und normativ. Zudem ist der Wahrheitsanspruch an die Grundlagenforschung nicht erfüllt, wodurch ein weiterer Grund zu deren Abgrenzung nach Popper, S. 12 vorliegt. (Popper 1976, S. 12) Österle et al. verdeutlichen die Nützlichkeit der Ergebnisse für die Praxis. Das ist das erklärte Ziel der angewandten Forschung. Die Modelle einer neuen Realität können deshalb nicht wertfrei sein, ansonsten würde deren Realisierung darunter leiden. (Österle et al. 1991, S. 35) Die vorliegende wissenschaftliche Arbeit ordnet sich in die angewandten Wissenschaften der Realwissenschaft ein. Die Forschungsfrage ist nach dem Forschungsprozess von Ulrich et al. beantwortet, da Modelle neuer Realitäten existierende Probleme in den Ingenieurswis- 1 Einleitung 31 senschaften lösen. Gemäß diesem Prozess ist die Arbeit logisch strukturiert. Den Kapiteln sind die entsprechenden Phasen im Forschungsprozess in Abbildung 1.3 zugeordnet. Abbildung 1.3: Phasenkonzept angewandte Forschung und Aufbau der Arbeit: Phasenkonzept zur Durchführung angewandter Forschung nach den Anforderungen von (Ulrich et al. 1984, S. 193) (links) und Aufbau der Arbeit (rechts). Zu Beginn in Kapitel 1 wird die Bedeutung der Druckluft in der Industrie sowie die Problemstellung erläutert. Danach erfolgt die Eingrenzung durch die Fokussierung und den Industriebezug, bevor die Arbeit wissenschaftlich eingeordnet und die zentrale Forschungs- frage gestellt wird. Die Grundlagen aus dem Stand der Technik im Bereich Druckluft und maschinellem Lernen werden in Kapitel 2 vermittelt. Wichtige Punkte für das Verständnis der Arbeit in Kapitel 3 sind die Ergebnisse aus Forschung und Entwicklung zu Messprin- zipien und Methoden von Druckluft-Leckagen sowie die Kriterien eines zukunftsfähigen digitalen Leckage-Managements. Der Stand der Technik wird in Kapitel 4 zusammenge- 32 1 Einleitung fasst und bewertet. Es werden bisherige Arbeiten reflektiert und die Lösungsanforderung definiert. Das Kapitel 5 beschreibt den Kern der Arbeit. Die Lösung wird durch ein methodisches Vorgehen in fünf Schritten eingeleitet und in den jeweiligen Unterkapiteln detailliert beschrieben. In jedem Unterkapitel wird eine Unterforschungsfrage bearbeitet und am Ende beantwortet. Die Lösung wird in Kapitel 6 und Kapitel 7 validiert und die Ergebnisse werden bewertet. Beginnend mit der Vorstellung der druckluftbetriebenen Maschine mit wandlungsfähigen Leckage-Pfaden, wird die Vorgehensweise bewertet und die Zwischenschritte der Lösung aufgeführt. Die Reflexion der Ergebnisse schließt das Kapitel ab, indem die Erfüllung der Anforderungen bewertet und die zentrale Forschungs- frage beantwortet werden. In Kapitel 8 werden die Ergebnisse zusammengefasst und der zukünftige Forschungsbedarf aufgezeigt. 2 Grundlagen Drucklufttechnik und maschinelles Lernen Das Kapitel beinhaltet Grundlagen zur Drucklufttechnik. Beginnend mit der Systemüber- sicht und Begriffsverwendung, gefolgt von der Erläuterung physikalischer Zusammenhänge in der Leckage-Entstehung. Die Grundlagen des maschinellen Lernens am Ende des Kapitels schaffen die Basis für daten- und modellbasierte Forschungsansätze zur Leckage-Erkennung. 2.1 Systemübersicht und Begrifflichkeiten Das Kapitel gibt eine Systemübersicht und führt wichtige Begriffe aus einschlägigen Normen ein. Weitere Grundlagen wie das Modell eines ausströmenden Gases, der Zusammenhang zwischen Leckage-Raten und Öffnungsdurchmessern sowie der Druckluftbedarf von Aktoren, sind im Folgekapitel erläutert. Anwendungsbereiche und Systemübersicht Druckluft ist verdichtete atmosphärische Luft (Bierbaum & Hütter 2007). Anwendungs- bereiche in Unternehmen sind: (i.) Antreiben von Druckluftwerkzeugen und -motoren; (ii.) Transportieren in pneumatischen Förderanlagen; (iii.) Spannen, Klemmen und Pressen in pneumatischen Haltevorrichtungen und Pressen; (iv.) Transportieren des Granulats in Spritzgussmaschinen, indem die Druckluft Material mit sich reißt; (v.) Füllen von Nahrungs- mitteln; (vi.) Verpacken in Verpackungsmaschinen; (vii.) Sperrluft bei Werkzeugmaschinen. (Zentrale Koordinierungsstelle KEFF 2017, S. 4–5) Als Blasluft bezeichnete Druckluft wird zum Abführen von Wärme, zum Wegblasen von Staub oder Rückständen sowie zum Ausblasen von Kunststoffflaschen verwendet. Pneuma- tische Prüf- und Kontrollverfahren nutzen ebenfalls den Differenzdruck der Druckluft zur Errechnung von Abständen, Mengen und Gewichten. (ifm electronic gmbh 2019, S. 15) 34 2 Grundlagen Drucklufttechnik und maschinelles Lernen Niederdruck bezeichnet Drücke in der Pneumatik bis 1,5 bar. Der Bereich von 1,5 bar bis 16 bar wird Normaldruckpneumatik genannt. Pneumatische Anlagen arbeiten überwiegend in diesem Bereich, da Druckluftnetze bei 6 bar verglichen mit anderen Druckniveaus häufig wirtschaftlicher zu betreiben sind. Abschließend werden Drücke größer 16 bar als Hochdruck bezeichnet. (Grollius 2018, S. 18–19) Die Drücke in dieser Arbeit sind, wie üblicherweise in der Branche verwendet, als Überdrücke angegeben. Das Druckluftsystem in Abbildung 2.1 ist in vier Bereiche unterteilt. Ein Kompressor erzeugt die erforderliche Druckluft. Sie strömt durch die Aufbereitung, in der die Druckluft getrocknet und Partikel herausgefiltert werden. Der Druckbehälter speichert die Druckluft, die im Anschluss an die Anwendungen verteilt wird. Abbildung 2.1: Übersicht eines Druckluftsystems: Unterteilung in Erzeugung, Aufbereitung, Speicherung und Verteilung mit Anwendung. (Zentrale Koordinierungsstelle KEFF 2017, S. 6) Die vorliegende Arbeit fokussiert auf den letzten Bereich eines Druckluftsystems, im Speziellen auf die Anwendung in der Maschine im Bereich der Normaldruckpneumatik nach 2 Grundlagen Drucklufttechnik und maschinelles Lernen 35 Kapitel 2.1 mit 6 bar. Die Forschungsfrage in Kapitel 1.3 bezieht sich auf diesen Bereich. Das Druckluftsystem in Maschinen ist die Druckluftanwendung nach Abbildung 2.1. Es ist der Bereich nach der Druckluftverteilung ab dem Anschluss an der Maschine bis zu den Aktoren mit einer zentralen Druck- und Durchflussmessung. Im Sinne der Maschinenrichtlinie ist eine Maschine eine Vorrichtung mit einem ande- ren Antriebssystem als der unmittelbar eingesetzten menschlichen oder tierischen Kraft. Mindestens eines der verbundenen Teile ist beweglich. Die Gesamtheit der Teile und das Zusammenwirken sind für eine definierte Anwendung vorgesehen. (Europäische Komission 2019, S. 33–34) Die Durchführung der Forschungsarbeit erfolgt am Beispiel einer druckluftbetriebenen Maschine mit wandlungsfähigen Leckage-Pfaden nach Kapitel 6.1 mit verschiedenen Pneu- matik-Aktoren und Ursachen von Druckluft-Leckagen. Es sollen datenbasierte Modelle ausgewählter Aktoren und Leckage-Ursachen mit Methoden des maschinellen Lernens erstellt werden. Das betrachtete System, die Druckluftanwendung in der Maschine, ist in Kapitel 2.1 erläutert. Die zentrale Druck- und Durchflussmessung am Maschinenanschluss- punkt, im Zielbild der Arbeit in Kapitel 1.3, bedeutet einen geringen Messaufwand. Die Klassifikation ist einerseits die Unterscheidung von Aktoren im Messsignal, wie Zylinder, Schwenkeinheit, Vakuumsauger, kolbenstangenloser Zylinder, und andererseits die Unter- scheidung von Leckage-Ursachen im Druckluft-Messsignal im Verbindungsschlauch zum Aktor, wie keine Leckage-Ursache, Knick im Schlauch, Loch im Schlauch sowie undichtes Verbindungsstück. Begriffe und Definitionen Die Druckluft-Verwendungsstelle ist eine Komponente, die pneumatische Energie für phy- sikalische Wirkungen verwendet. Der Bedarf in einem Druckluftsystem ist die Gesamtheit aller Druckluftverbraucher, inklusive produktiver Endanwendungen und Druckluftverlus- te. Der Bedarfsvolumenstrom ist der Gesamtbedarf aller Verbraucher und Verluste im Druckluftsystem. Die Drucksignatur ist ein Druckprofil, das mit einer spezifischen, sich wiederholenden Endanwendung oder Produktionstätigkeit korreliert. Ein Druckprofil ist die Zeitfunktion von Druckschwankungen der Druckluft in einem Betriebszyklus. Sie wird durch die Kombination unterschiedlicher Verbrauchszyklen verschiedener Endanwender 36 2 Grundlagen Drucklufttechnik und maschinelles Lernen verursacht. Im Druckluftsystem wird der Druck an einem Punkt gemessen. Der System- betriebsdruck ist der Luftdruck am Eintrittspunkt in das Druckluftnetz. (DIN EN ISO 11011, S. 7–10) Messungen sind nach DIN 1343-1 als reale Werte oder auf Normbedingungen (𝑁) der Physik bezogene Werte anzugeben. Wird der reale Wert verwendet, sind die Rahmenpara- meter wie Druck und Temperatur anzugeben. Ein Normkubikmeter Gas ist die Menge eines Gases, welche bei 1013,25 mbar atmosphärischem Druck und 273,15 K ein Volumen von 1 m3 beinhaltet. (DIN 1343) Andere Volumeneinheiten werden analog angegeben. Das Normvolumen ist unabhängig vom Druck, da die enthaltene Masse bei unterschiedlichen Druckniveaus konstant ist. Der Betriebsdruck bezeichnet den Überdruck, ausgehend vom atmosphärischen Druck. Am Markt verfügbare Druckluftmessgeräte geben häufig reale und auf Normbedingungen bezogene Werte aus. Letztere sind für die Vergleichbarkeit zu bevorzugen. 2.2 Physikalische Zusammenhänge Die vereinfachte, jedoch ausreichend präzise Bedarfsermittlung von Druckluftaktoren, ist Kernbestandteil der nachfolgenden Ausführungen. Zuvor ist das Modell eines ausströ- menden Gases und der Zusammenhang zwischen Leckage-Öffnungen sowie den dadurch entstehenden Leckage-Raten in der Druckluft aufgezeigt. Gasmodell der Ausströmung Das Modell in Abbildung 2.2 beschreibt die Ausströmung eines Gases aus einem Behälter durch eine Öffnung in die Umgebung. Angenommen sind eine Strömungsgeschwindigkeit Gasmodell (𝑈1) von nahezu Null und ein adiabatischer Behälter. Das Innere des Behälters und die Umgebungsluft sind isotherm. Öffnungen mit ausströmendem Gas werden in blockiert und nicht blockiert differenziert. Der Druck im Behälter, bezogen auf den Umge- bungsdruck nicht blockierter Ausströmungen, liegt zwischen 1 und 1,893. Die Ausströmung emittiert Ultraschallwellen und steigt an, wenn der Druckunterschied zwischen dem Inneren und dem Äußeren des Behälters zunimmt. (Lighthill 2002; Wang et al. 2018, S. 3–4) 2 Grundlagen Drucklufttechnik und maschinelles Lernen 37 Abbildung 2.2: Modell ausströmender Gase: Ausströmung aus einem Behälter (Indize 1) durch eine Öffnung (Indize c) in die Umgebung (Indize 0) mit Dichte 𝜌0, 𝜌1 und𝜌𝑐, Druck 𝑝0, 𝑝1 und 𝑝𝑐, Temperatur 𝑇0, 𝑇1 und 𝑇𝑐 des Gases. 𝑈1 ist die Strömungsgeschwindigkeit. Die Geschwindigkeiten des entstehenden Schalls sind𝑐0, 𝑐1 und 𝑐𝑐. (Wang et al. 2018) Öffnungsdurchmesser und Leckage-Rate Druckluft entweicht an einer Leckage des Druckluftsystems. Die Verlustleistung nimmt approximativ mit Vergrößerung des Öffnungsdurchmessers nach einer Exponentialfunktion zu. Diesen Zusammenhang erforschten Kaya et al. in einem Versuch. (Kaya et al. 2002) Mit zehnfachem Öffnungsdurchmesser erhöhte sich die Verlustleistung um den Faktor 100. Energieverluste summieren sich bei 6 bar Betriebsdruck und jährlichen Betriebsstunden von 8760 h, auf 2891 kWh bei 1 mm Öffnungsdurchmesser und auf 289 080 kWh bei 10 mm. Die Verlustleistung erreicht entsprechende Werte von 0,3 kW bis 33 kW. (Lämmer 2004, S. 10–11) Poyhonen et al. untersuchten Druckluft-Leckagen an Öffnungen in einem Stopfen mit Durchmesser von 1 mm bis 5 mm. Die Stopfen waren am Leitungsende angebracht. Die Forscher variierten im Versuchsaufbau den Druck von 1 bar bis 6 bar an verschieden großen Öffnungen. Mit einem Fehler von bis zu 10 % konnte im Labor die ausströmende Druckluftmenge abgeschätzt und eine lineare Näherung ermittelt werden. Folglich sind die Ergebnisse als Näherung für einen Druckbereich bis 5 bar für Durchmesser bis 3 mm aussagekräftig. Ein exponentieller Zusammenhang ist bei einem Druck ab 5 bar und bei geringen Durchmessern bis 3 mm gegeben. (Poyhonen et al. 2018) Druckluft-Leckagen untersuchten Dudic et al. mit einem eigenen Versuchsaufbau. Sie setzten den Öffnungsdurchmesser in Relation zum Druck, um die Leckage zu quantifizieren. 38 2 Grundlagen Drucklufttechnik und maschinelles Lernen Die Analyse ihres erweiterten Versuchs mit Ultraschall und Thermogrammen ist in den Kapiteln 3.2.6 und 3.2.5 vorgestellt. In den Kunststoffschlauch waren zur Variation der ausströmenden Druckluftmenge definierte Öffnungen mit den Durchmessern von 0,5 mm bis 2 mm eingebracht. An jeder Öffnung maßen die Forscher den Geräuschpegel, die Lufttemperatur und den Volumenstrom mit unterschiedlichen relativen Druckniveaus von 4 bar bis 8 bar. Sie wiesen mit ihrem Versuchsaufbau eine Korrelation zwischen dem Geräuschpegel und der Temperaturänderung an der Öffnung nach. (Dudic et al. 2012a, S. 555–565) Unger & Radgen stellten hohe abweichende Leckage-Raten bei vergleichbaren Testbedin- gungen in Beiträgen über künstlichen Leckagen fest. Die Forscher entwickelten zur eigenen Analyse ein Simulationsmodell, um die Leckagen nachzustellen. Die Sensitivitätsanalyse des Modells erfolgt durch Variation von Temperatur, Druck und Öffnungsfläche. Die ausströmende Menge an Druckluft infolge von Leckagen wird hauptsächlich durch den Druck und die Fläche der Leckage-Öffnung beeinflusst. Geringe Auswirkungen hatte die Temperatur der Druckluft. Sie installierten künstliche Leckagen in einem experimentellen Aufbau zur Validierung des Modells. Die künstlichen Leckagen sind hierbei kreisförmige Löcher mit Durchmessern von 1 mm bis 3 mm und Schlitze mit Breiten von 0,8 mm bis 1,0 mm und Längen von 4 mm bis 8,95 mm. Der Öffnungsquerschnitt der Schlitze variiert aufgrund der Fertigungstoleranz. Sie ermittelten die Querschnittsfläche mit einem optischen Verfahren, um diese miteinander zu vergleichen. Die Leckage-Rate bestimmten sie in ihrem Versuch wie folgt: Zuerst stellten sie den Druck ein. Nach 30 s ist der stationäre Zustand im Druckluftsystem erreicht. Der Durchfluss wurde für 150 s gemessen. Der Relativdruck variierte von 4 bar bis 8 bar bei jeweils erneuter Durchführung. Sie verwendeten den Mittelwert aus drei Leckage-Messungen als Messergebnis. (Unger & Radgen 2019, S. 2–8) Entgegen den Untersuchungen von Dudic et al. stellten Unger & Radgen einen linearen Zusammenhang zwischen der Leckage-Rate und dem Querschnitt der Leckage-Öffnung fest. (Unger & Radgen 2019, S. 10) Leckage-Raten kreisförmiger Löcher sind mit denen von Schlitzen vergleichbar, wenn diese auf die Querschnittsfläche normalisiert werden. Höhere Leckage-Raten bei glei- cher Querschnittsfläche entstehen, wenn der Schlitz breiter und kürzer ist. Die relative 2 Grundlagen Drucklufttechnik und maschinelles Lernen 39 Abweichung zwischen gemessener und berechneter Leckage-Rate ist für eine größere Quer- schnittsfläche von 7,069 mm2 bei einem Relativdruck von 7 bar mit −6,35 % geringer als bei kleinerer Querschnittsfläche von 0,785 mm2 mit −15,43 %. Die berechnete Leckage- Rate ist höher, da sie auf einem idealen Gas mit idealer isentropischen Expansion sowie gleichmäßiger Durchflussgeschwindigkeit basiert. In ihrem Versuch waren die gemessenen Leckage-Raten höher als die bisher in der Literatur publizierten. (Unger & Radgen 2019, S. 11–12) Druckluftbedarfe auf Komponentenebene Der Druckluftbedarf für Aktoren und Schlauchverbindungen ist wie folgt beschrieben: Einfachwirkende Zylinder erzeugen die Bewegung des Arbeitshubs mit Druckluft und werden durch äußere oder Federkraft zurückgestellt. Doppeltwirkende Zylinder erzeugen beide Bewegungen mit Druckluft. Der Druckluftbedarf eines Zylinders (𝑞) bei 1 bar atmo- sphärischem Druck und 20 °C Umgebungstemperatur beschreibt Gleichung 2.1 (Bierbaum & Hütter 2007, S. 114–117): (2.1) 𝑞 = 𝑑2 ⋅ 𝜋 4 ⋅ 𝐻 ⋅ 𝑃 ⋅ 𝑎 ⋅ 𝑏 mit 𝑑 Kolbendurchmesser 𝑎 Arbeitstakte pro Minute 𝐻 Länge des Kolbenwegs (Hub) 𝑏 Anzahl Hub, 1: einfach-; 2: doppeltwirkend 𝑃 Betriebsdruck Der Autor dieser Arbeit analysierte mit den eingeführten Zusammenhängen den Druck- luftbedarf einer selbst gebauten druckluftbetriebenen Maschine mit wandlungsfähigen Leckage-Pfaden, die ebenfalls zur Validierung der Lösung verwendet wird. Der Vergleich des Druckluftbedarfs mit der Messung bei 6 bar Betriebsdruck, mit den Angaben des Anlagenbauers und der Berechnung nach Gleichung 2.1 zeigten geringe Abweichungen. Die technischen Daten sind den Unterlagen des Anlagenbauers entnommen, die sich in Abbildung 9.1 im Anhang E befinden. Die Berechnung und die Messung sind in der Tabel- 40 2 Grundlagen Drucklufttechnik und maschinelles Lernen le 9.3 im Anhang F gegenübergestellt. Der gemessene Druckluftbedarf betrug 17,44 Nl. Wie erwartet, verursachte die Leckage-Ursachen Loch einen wesentlich höheren Druckluftbedarf als ein undichtes Verbindungsstück. Berechnet nach Gleichung 2.1 beträgt der Druckluft- bedarf für jeweils eine Ansteuerung der Aktoren 10,33 Nl. Die Angaben des Anlagenbauers unterscheiden sich hiervon mit 10,18 Nl unwesentlich. Die Differenz zwischen Messungen ohne Leckage-Ursache und der Berechnung nach Gleichung 2.1 unterscheiden sich um 7,11 Nl. Nicht berücksichtigt sind die Volumina der Ein- und Ausfahrleitung. Die Differenz ist aus diesem Grund als zusätzlicher Druckluftbedarf zu interpretieren. Der Bedarf von Druckluftaktoren und Schlauchverbindungen kann alternativ als Druck- luftmasse 𝑚 beschrieben werden. Eine kurze Einführung zu dessen Ermittlung befindet sich im Anhang D. Harris et al. beschreiben dies nach Gleichung 9.2 und 9.3. Den Druck- luftmassenstrom �̇� bestimmen Dindorf & Wos allgemein nach Gleichung 9.1 im Anhang C. Zhang et al. untersuchten Durchflussprofile mit einem Druckluft-Laboraufbau. Sie zeich- neten Durchflussraten sowie Zustände der Ventile auf und installierten Näherungsschalter an aus- und einfahrenden Zylindern mit und ohne Leckage. Die Daten wurden mit ei- nem Abtastintervall von 5 ms aus 100 Messungen aufgezeichnet. Anders als die Forscher erwarteten, ist die Differenz des Durchflussprofils zwischen Leckgage und ohne Leckage negativ. Das Aus- und Einfahren bei Zyklen mit Leckage dauerte im Versuch länger. Die Zeitverzögerung akkumulierte sich von einer Messung zur nächsten. Die Rohdaten sind nicht direkt vergleichbar, daher sind sie zu synchronisieren. Hierzu verwendeten die Forscher die Zustände der Ventile und der Näherungsschalter an den Zylindern. Zhang et al. zeigten exemplarisch, wie sich die synchronisierten Durchflussprofile mit und ohne Leckage in Abbildung 2.3 unterscheiden. Sie interpretierten diese als Muster.(Zhang et al. 2008, S. 2–4, 6) 2 Grundlagen Drucklufttechnik und maschinelles Lernen 41 Abbildung 2.3: Durchflussprofil eines Zylinders mit Leckage: Durchflussprofil für das Ausfahren (links) und Einfahren (rechts) eines Zylinders mit Leckage. Die Leckage befindet sich im Einfahrpfad. Es sind zwei nicht aufeinander folgende Messzeiträume abgebildet. Durchfluss ohne a) und mit Leckage b) sowie deren Differenz c) in l/min mit einem Abtastintervall von 5 ms. Auffällig ist die negative Differenz beim Einfahren, die durch den Zeitversatz der beiden Verläufe hervorgerufen wird. (Zhang et al. 2008, S. 6) Die Beschriftung und Legende wurde nachträglich vom Autor ergänzt. Gauchel et al. analysierten die Signale von Ventil- und Näherungsschaltern an gleicharti- gen Druckluftaktoren, die als Klemmvorrichtung eingesetzt wurden. Die Forscher verglichen zwei Prozesszeiten für unterschiedliche Leckage-Raten und Reibungen an den Aktoren. Einerseits die Reaktionszeit zwischen dem Ventilsignal und dem Verlassen der Endlage. Andererseits die Fahrzeit zwischen dem Verlassen der ersten Endlage und dem Erreichen der zweiten Endlage. Die Prozesszeiten erhöhen sich mit Zunahme der Leckage-Rate und Reibung, was zu erwarten war. In einem Dauerlauf überschritten nach zwei bis vier Tagen die Reaktions- und Fahrzeit Grenzwerte, die als Ausfall der Vorrichtung festgelegt wurden. (Gauchel et al. 2020, S. 177–180, 182) Die Drucklufttemperatur hat nach Untersuchungen von Engelberth et al. einen vernach- lässigbar geringen Einfluss auf den zeitlichen Druckverlauf eines pneumatischen Ventils in Verbindung mit einem Zylinder. Den Stick-Slip-Effekt konnten die Forscher nachweisen, da die Reibkraft und die resultierenden Stellkräfte im Ventil und Zylinder temperaturabhängig sind. Niedrige Temperaturen erhöhen die Kraft beim Ausfahren und reduzieren diese beim Einfahren des Zylinders. (Engelberth et al. 2016, S. 4) 42 2 Grundlagen Drucklufttechnik und maschinelles Lernen In Druckluftsystemen mit mehreren Verbrauchern werden diese teilweise gleichzeitig angesteuert. Die Gleichzeitigkeit beschreibt den gleichzeitigen Druckluftbedarf von Ver- brauchern, die über eine gemeinsame Druck- und Durchflussmessung erfasst werden. Der Gleichzeitigkeitsfaktor (𝑓) ist ein empirischer Wert. Wird er mit dem theoretischen Ge- samtbedarf multipliziert, ergibt das näherungsweise den Bedarf des Druckluftsystems unter Berücksichtigung der Verbraucheranzahl. (Bierbaum & Hütter 2007, S. 118) Der Gleichzeitigkeitsfaktor ist bei einem Verbraucher 1,00 und sinkt näherungsweise linear auf einen Wert von 0,63 für 16 Verbraucher. 2.3 Maschinelles Lernen Die Begriffe des maschinellen Lernens werden in diesem Kapitel erläutert. Die Grundlagen ergänzen das Verständnis für die Leckage-Erkennung in Kapitel 3.2. Es werden verschiedene Klassifikatoren vorgestellt. Nachdem Begriffe und Metriken zur Bewertung eingeführt sind, wird die Anwendung und deren Grenzen verdeutlicht. Die Herausforderungen durch Datenlücken und der Umgang mit Merkmalen schließen das Kapitel ab. Darauf folgt die Betrachtung unterschiedlicher Methoden zu Leckage-Erkennung aus Sicht der Forschung und Entwicklung. 2.3.1 Begriffe und Vorgehensweisen Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. Maschinelles Lernen generiert Wissen aus Erfahrung. Algorithmen entwickeln ein komplexes Modell. Dieses wird anschlie- ßend auf neue, unbekannte Daten derselben Art angewendet. Maschinelles Lernen erfordert keine manuelle Wissenseingabe oder explizite Programmierung eines Lösungsweges. Der Anwender markiert die korrekte Antwort zu einem Beispiel in Form eines Labels. (Döbel et al. 2018a, S. 30, 43–44; Hedén 2016, S. v) Modelle des maschinellen Lernens sind probabilistisch, während die traditionelle Model- lierung als deterministisch zu bezeichnen ist. Ein deterministisches Modell verhält sich nach seinen Anforderungen und Spezifikationen und ist deshalb präzise, abgesehen von Mo- dellfehlern. Hingegen ist das Ziel von Modellen des maschinellen Lernens, eine akzeptable Genauigkeit zu erreichen. (Akkiraju et al. 2020, S. 18) Sind jedoch die Zusammenhänge 2 Grundlagen Drucklufttechnik und maschinelles Lernen 43 zur Beschreibung eines deterministischen Modells nicht bekannt oder zu komplex, bieten sich probabilistische Modelle an. Trainingsdaten sind die Partition der Daten, die zum Training des Modells als Trainings- beispiele verwendet werden. Testdaten sind die von Trainingsdaten abweichende Partition der Daten. Mit ihnen wird die Genauigkeit zur Generalisierung des Modells getestet. Ein Merkmal ist eine Variable, der unterstellt wird, dass sie das Ergebnis der Vorhersage beeinflusst. Eine Liste von Merkmalen ist der Merkmalsvektor, der die Daten beschreibt. Die Variable, die das Modell vorhersagen soll, ist der wahre Wert. Ein Klassifikator oder Regressor ist ein trainierter Algorithmus, der als Eingabe einen Merkmalsvektor verwendet und entweder eine Bezeichnung beim Klassifikator oder einen stetigen Wert beim Regressor liefert. (Döbel et al. 2018b, S. 10; Döbel et al. 2018a, S. 25–26) Die Labels der Daten werden beim überwachten Lernen verwendet, um zu klassifizieren oder Werte vorherzusagen. Das unüberwachte Lernen hingegen verwendet Daten ohne Labels, um grundlegende Muster zu entdecken. Es existieren noch weitere Lernstile, wie das halbüberwachte oder das verstärkte Lernen. (Géron 2017, S. 8–14) Ismail Fawaz et al. stellen den informellen Konsens in der Literatur heraus, deskriptive Modelle seien häufig präziser in der Klassifikation von Zeitreihen als generative Modelle. Ein deskriptives Modell lernt die Zuordnung von Merkmalen und wahren Werten direkt. Es gibt eine Wahrscheinlichkeitsverteilung über die Klassen aus. Generative Modelle stellen häufig ein unüberwachtes Training vor der Lernphase des Klassifikators voran. (Ismail Fawaz et al. 2019, S. 928–929, 931) Die Genauigkeit in der Klassifikation ist die Rate von korrekten und falschen Vorhersagen des Modells. Die Berechnungsvorschrift wird am Ende des Kapitels mit der Gleichung 2.2 eingeführt, zuvor werden weitere Zusammenhänge für deren Verständnis erläutert. Als zusätzliches Maß wird in der Arbeit die Richtigerkennungsrate angewendet. Die Kostenfunktion des Modelltrainings wird durch Such- oder Optimierungsverfahren wie das Gradientenabstiegsverfahren minimiert. Ziel ist, mit geeigneten adaptiven Methoden ein globales anstelle eines lokalen Minimums unter Berücksichtigung der Genauigkeit zu ermitteln.(Döbel et al. 2018b, S. 50) Einzelne Regressionsbäume besitzen eine hohe Varianz und neigen zur Überanpassung, erläutert in Kapitel 2.3.2. Regressionsbäume zur Regression und Klassifikation, wie auch 44 2 Grundlagen Drucklufttechnik und maschinelles Lernen weitere Klassifikatoren und Regressoren, verfügen über die Eigenschaft, einzelne Merkmale sortiert nach ihrer Signifikanz zur Bestimmung der Genauigkeit auszuweisen. Der Random Forest besteht nach Abbildung 2.4 aus vielen Regressionsbäumen. Die Merkmale werden auf die Regressionsbäume aufgeteilt und das steuert die Variation. Diese sind ähnlich, wenn alle Merkmale bei jeder Aufteilung berücksichtigt werden. Jeder Regressionsbaum wählt sein globales optimales Merkmal. Die Verringerung der Anzahl an Merkmalen erhöht das Risiko, das globale Optimum nicht zu ermitteln. Die Mittelung der Ergebnisse sowohl bei der Klassifizierung als auch bei der Regression übertrifft häufig die Genauigkeit eines einzelnen Regressionsbaums. (Hedén 2016, S. 16–17; Breiman 1996, S. 123–140; Breiman 2001, S. 5–32) Abbildung 2.4: Struktur Random-Forest-Klassifikator: Darstellung für zwei Klassen (A und B) mit einer beliebig hohen Anzahl an Entscheidungsbäumen. (Jagannath 2017) Ein künstliches neuronales Netz ist ein Klassifikations- oder Vorhersagemodell des maschinellen Lernens. Die Architektur ist dem menschlichen Gehirn nachempfunden. Es besteht aus vielen programmierten Schichten von Knoten, die als künstliche Neuronen bezeichnet werden. Sie sind mit Gewichten verbunden, dessen Werte während der Trai- ningsphase verändert werden. Das geschieht so lange, bis die Genauigkeit des Modells für den Anwender ausreichend hoch ist. (Döbel et al. 2018a, S. 30, 43–44; Hedén 2016, S. v) Die Kreuzvalidierung ist eine Methode zum Testen der Genauigkeit eines Klassifikators oder Regressors. Die Daten werden in 𝑘 -Faltungen von nahezu gleicher Größe unterteilt. Der Klassifikator oder Regressor wird auf 𝑘−1 Faltungen trainiert und mit der zurückbehaltenen 2 Grundlagen Drucklufttechnik und maschinelles Lernen 45 Faltung getestet. Die durchschnittliche Genauigkeit des Klassifikators oder Regressors wird aus den wiederholten k-Faltungen berechnet. (Döbel et al. 2018a, S. 43–44) Die Hyperparameter des Modells werden mit einer Rastersuche variiert, um die Genauig- keit zu erhöhen. Häufig werden alle möglichen Kombinationen mit einer Kreuzvalidierung getestet und anschließend der beste Parametersatz verwendet. Hingegen ist eine zufällige Rastersuche empfehlenswert, wenn der Suchraum groß ist. Hierbei wird eine definierte Anzahl zufälliger Parameterkombinationen verwendet. Die Hyperparameter beeinflussen das Trainieren des Modells und sind zuvor festzulegen. (Géron 2017, S. 73–76) Die Genauigkeit als einziges Kriterium ist häufig zur Bewertung nicht ausreichend. Das ist der Fall, wenn bei der Klassifikation betrachtet werden soll, wie gut eine Klasse im Vergleich zu anderen unterschieden werden kann. Die Konfusionsmatrix in Tabelle 2.1 stellt die Klassifikation detailliert mit den wahren und prognostizierten Werten am Beispiel eines binären Falls dar. Die Spalten entsprechen der Grundwahrheit und die Zeilen repräsentieren die Prognose. Ist die Anzahl der Beispiele je Klasse unausgeglichen, sind die Zeilen und Spalten der Konfusionsmatrix zu analysieren. Die Minorität einer Klasse führt zu einer großen Varianz. Die Zuverlässigkeit der Genauigkeit sinkt für diese Klasse bei der Ermittlung des Durchschnitts aller Klassen. (Fawcett 2006, S. 862–864; Géron 2017, S. 86–88, 95–98) Es ist sinnvoll, gemäß der Häufigkeit einer Klasse zu gewichten. (Döbel et al. 2018a, S. 30, 43–44) Tabelle 2.1: Konfusionsmatrix im binären Fall: prognostizierter und wahrer Wert. (Fawcett 2006, S. 862) Wahrer Wert Positiv Negativ Prognostizierter Wert Positiv 𝑟𝑝 𝑓𝑝 Negativ 𝑓𝑛 𝑟𝑛 Die Genauigkeit (𝑎𝑐𝑐) wird berechnet durch Gleichung 2.2, die Richtigerkennungsrate (tpr) mit der Berechnungsvorschrift nach Gleichung 2.3 (Fawcett 2006, S. 862): (2.2) 46 2 Grundlagen Drucklufttechnik und maschinelles Lernen acc = 𝑟𝑝 + 𝑟𝑛𝑟𝑝 + 𝑓𝑝 + 𝑓𝑛 + 𝑟𝑛 mit 𝑟𝑝 richtig positiv 𝑓𝑝 falsch positiv 𝑓𝑛 falsch negativ 𝑟𝑛 richtig negativ (2.3) tpr = 𝑟𝑝𝑟𝑝 + 𝑓𝑛 mit 𝑟𝑝 richtig positiv 𝑓𝑛 falsch negativ Abschließend werden drei Modellarten vorgestellt: Black-Box-Modelle sind im ma- schinellen Lernen rein statistisch. White-Box-Modelle bestehen aus analytischen und physikalischen Beschreibungen. Die jeweiligen Vorteile hinsichtlich Erstellungsaufwand, Ge- nauigkeit und Nachvollziehbarkeit sind in Grey-Box-Modellen vereint, indem beide Ansätze kombiniert werden. (Döbel et al. 2018a, S. 25–26) Häufig verwendete Black-Box-Modelle sind künstliche neuronale Netze, Support Vector Machines und Entscheidungsbäume. (Benedetti et al. 2016) Datenbasierte Modelle können entweder offline oder online trainiert werden. Das Offline- Lernen nutzt bestimmte und statistische Datenmengen, während das Online-Lernen die kontinuierliche Aktualisierung des Modells ist, basierend auf neuen Datenstapeln. (DIN SPEC 92001-1, S. 10) Das Standarddokument nach öffentlich verfügbaren Spezifikationen (SPEC) beschreibt in der DIN SPEC 92001-1 nach Abbildung 2.5 fünf Lebenszyklusstufen für Softwaremodule künstlicher Intelligenz. Der Ablauf ist nicht linear, da zu früheren Phasen zurückgekehrt wird, um die Anforderungen vollständig zu erfüllen. In der Konzeptphase werden das zu lösende Problem definiert und geeignete Modellansätze identifiziert. Die Hyperparameter der Modelle und ihre Bewertung ist nicht Teil dieser Phase. Die Entwicklungsphase beschreibt die Datenerfassung und -analyse sowie den tatsächlichen Programmieraufwand 2 Grundlagen Drucklufttechnik und maschinelles Lernen 47 in einer experimentellen Umgebung. Für Expertensysteme sind komplexe Regeln zu formulieren, neben der Identifikation der problemrelevanten Variablen. Ziel ist es, ein validiertes Modell mit spezifischen Hyperparametern zu finden, um das Problem mit angemessener Genauigkeit zu lösen. Verschiedene Metriken bewerten die Modellqualität. Die definierten Akzeptanzkriterien bestimmen die Validität des Modells. Die Datensätze sind entsprechend der Eingabeform des Modells anzupassen. Müssen Modellansätze an den Datensatz angepasst werden, kann ein Schritt zurück zur Konzeptphase erforderlich sein. In der Bereitstellungsphase erfolgt der Übergang von der Entwicklung zum Betrieb. Das Modell wird auf dem Hostsystem trainiert und in das Zielsystem exportiert. Üblicherweise erfolgt in dieser Phase ein Schritt zurück in die Entwicklungsphase, da das trainierte Modell erschwerend in die tatsächliche Umgebung zu übertragen ist. Die Bereitstellung startet die Betriebsphase. Die Betriebsphase unterscheidet sich im Vergleich zur klassischen Softwareentwicklung. Das Modell wird weiterhin durch das Online-Lernen angepasst. In der tatsächlichen Umgebung beziehen sich Wartungs- und Bewertungsaspekte auf das Modell. Die Ruhestandsphase legt die Auflösung, den Abbruch und die Übertragung in neue Module fest. Wesentliche Änderungen führen zu einem neuen Lebenszyklus des Moduls, die Löschung ist ebenfalls möglich. (DIN SPEC 92001-1, S. 19–20) Konzept- phase Entwicklungs- phase Bereitstellungs- phase Betriebs- phase Ruhestands- phase Abbildung 2.5: Lebenszyklusstufen für Softwaremodule künstlicher Intelligenz: Der Ablauf ist nicht linear, da entsprechend den jeweiligen Anforderungen in die vorherigen Phasen zurückgekehrt werden muss. Eigene Darstellung nach DIN SPEC 92001-1 (S. 14). 48 2 Grundlagen Drucklufttechnik und maschinelles Lernen 2.3.2 Anwendung und Grenzen In komplexen industriellen Anwendungen sind hohe Anforderungen an die Verfügbarkeit und Qualität von Messdaten gestellt. Sind diese Anforderungen erfüllt, kann KI als Vorschlagswesen für Energieeffizienzmaßnahmen eingesetzt werden. (Grosch et al. 2020, S. 19) Klassifizierung und Regressionen werden vorzugsweise eingesetzt, wenn die Daten gelabelt sind. In der Fertigungsindustrie haben sich Klassifizierungs- und Regressionsverfahren für verschiedene Aufgaben, wie die Überwachung des Werkzeugzustands, als nützlich erwiesen. Für Klassifizierungsaufgaben gelten Entscheidungsbäume und Stützvektor-Klassifikatoren als aussichtsreiche Algorithmen. Clustering-Methoden ermitteln Klassen auf der Grundlage von Ähnlichkeit in Daten, um unbekannte Muster darin zu erkennen. (Sarikaya et al. 2021, S. 13) Die Modelle sind in dem Wertebereich oder der Dimension gültig, in welchem Trainings- daten verfügbar sind. Die Generalisierung mit einem Modell ist für die Interpolation, nicht für die Extrapolation möglich. (Verleysen & François 2005) Hohe Dimensionalität bedeutet allgemein, dass jeder Messpunkt im Signal viele Attribute oder Charakteristika beinhaltet. Im Algorithmus sind das Merkmale im Merkmalsvektor. Liegen für das maschinelle Lernverfahren weniger Trainingsdaten als Dimensionen vor, ist das Problem unbestimmt und es kann kein Modell identifiziert werden. (Guyon & Elisseeff 2003) Die Anzahl an Trainingsdaten (𝑐𝑎) nach Gleichung 2.4 sollte nach Empfehlung von Bellman exponentiell mit der Anzahl an Dimensionen (𝑑𝑎) ansteigen, beginnend bei zehn Trainingsdaten pro Dimension. Diese Empfehlung ist auf den Curse of dimensionality zurückzuführen, bei dem die Komplexität von Zusammenhängen mit mehreren Variablen exponentiell mit der Dimension wachsen kann. (Bellman 2015; Bishop 2009, S. 33–38) 2 Grundlagen Drucklufttechnik und maschinelles Lernen 49 (2.4) 𝑐𝑎 = 10𝑑𝑎 mit 𝑐𝑎 Anzahl an Trainingsdaten in Form von Merkmalen 𝑑𝑎 Anzahl an Dimensionen Je mehr Trainingsdaten dem Algorithmus zur Verfügung stehen, desto präziser kann das Modell sein. Die gesammelten Daten sind jedoch in aussagekräftige und fachliche Modelle zu strukturieren. (Shah 2016; Popper et al. 2018, S. 53) Aus datenbasierten Modellen lassen sich analytische Erkenntnisse ableiten, wie die Erkennung wiederkehrender Wartungsfälle. Die Modellaussagen werden präziser, wenn fortlaufend neue Daten aus dem laufenden Prozess durch Sensoren aufgezeichnet und hierdurch das Modell optimiert wird. (Technologie-Initiative SmartFactory KL e.V. 2019, S. 8) Die Herausforderung besteht in einem generalisierten Modell. Neue Daten sollen akzepta- ble Ergebnisse erzielen, die während des Trainings nicht verwendet wurden. Repräsentative Daten steigern die Modellqualität entscheidend. Gleichartige Daten liefern ähnliche Er- gebnisse in einem robusten Modell. (Döbel et al. 2018a, S. 11–12; Döbel et al. 2018b, S. 47–48) Die Generalisierung kann auf zwei Arten fehlschlagen. Entweder ist das Modell nach Abbildung 2.6 über- oder unterangepasst. Ist die Genauigkeit mit den Trainingsdaten hoch und bei Anwendung von Testdaten niedrig, liegt eine Überanpassung vor. Das Modell ist zu stark auf die Trainingsdaten angepasst und bezieht irrelevante Unterschiede oder statistisches Rauschen ein. Modelle mit wenigen Parametern und geringerer Komplexität, wie die Anzahl an Schichten oder Regressionsbäumen, sind bei Überanpassung bevorzugt zu wählen. Bei einer Unteranpassung sind die Trainingsergebnisse zu unpräzise. Das Modell besitzt eine zu geringe Aussagekraft, um relevante Unterschiede zu berücksichtigen. Ein verändertes Lernverfahren, wie überwachtes oder unüberwachtes Lernen, kann gleicherma- ßen die Genauigkeit verbessern. Mehr Daten und Merkmale einzubeziehen erhöht häufig die Genauigkeit, sofern diese vorhanden sind. (Döbel et al. 2018b, S. 48–49) 50 2 Grundlagen Drucklufttechnik und maschinelles Lernen Abbildung 2.6: Unter- und Überanpassung von Modellen: Datenpunkte der Klasse X und O mit Unteranpassung (links), ausgeglichene Anpassung (Mitte) und Überanpassung (rechts) für ein Klassifikationsproblem. (Amazon Web Services, Inc. 2019) Klassifikatoren können nicht ausschließlich einzeln, sondern auch kombiniert eingesetzt werden. Die Kombination mehrerer Ein-Klassen-Klassifikatoren führt häufig zu einer präziseren Klassifizierung als die Verwendung eines einzelnen Klassifikators. (Krawczyk & Woźniak 2012, S. 89) Mehrstufige Klassifizierungsverfahren sind in der Lage, die Anzahl an falsch-positiven Klassifikationen zu reduzieren, eingeführt in Tabelle 2.1. Diese entstehen häufig bei der Klassifikation selten vorkommende Klassen. (Senator 2005, S. 392) In einem pneumatischen Versuchsaufbau, bestehend aus Ventil und Standardzylinder, klassifizierten Nakutis & Kaskonas Leckage-Raten an Öffnungsdurchmessern von 0,3 mm bis 0,7 mm. Die Forscher zeichneten den Druck und Durchfluss in der Versorgungsleitung auf. Sie leiteten hieraus Merkmale ab, wie die Durchflussmenge in definierten Zeitabschnit- ten oder das mittlere Druckniveau eines Zyklus, für die Aus- und Einfahrbewegung des Zylinders. Die Aufteilung in seriell verknüpfte Teilklassifikatoren ergab mit bekannten Leckage-Orten und -Mengen geringfügig niedrigere Fehlerraten als die direkte Klassifikation mit allen unterscheidbaren Klassen. Die Reihenfolge der Klassen, die in den Teilklassifika- toren unterschieden wird, beeinflusst nach ihren Analysen jedoch die Fehlerrate. (Nakutis & Kaskonas 2007, S. 1–3) Welche Klassen jeweils nacheinander unterschieden werden, optimierten sie hinsichtlich der minimal zu erreichenden Fehlerrate. Die Ergebnisse sind durch dieses Vorgehen kritisch zu bewerten, da die Lösung basierend auf den Resultaten der Testergebnisse nachträglich optimiert wurden. Die stufenweise Kombination von mehreren einzelnen Klassifikatoren wird zudem häufig bei der Bilderkennung eingesetzt. Srinivas et al. kombinierten eine Vielzahl von individuel- len Klassifikatoren in einem generischen mehrstufigen Ansatz. Kombinierte Stützvektor- Klassifikatoren waren bei der Mustererkennung in medizinischen Bildern präziser als ein 2 Grundlagen Drucklufttechnik und maschinelles Lernen 51 einzelner Klassifikator. Zudem war die Kombination der Klassifikatoren robuster gegenüber unausgeglichenen Datensätzen. (Srinivas et al. 2015, S. 262–266) Esener et al. erzielten ein vergleichbares Ergebnis. Sie steigerten die Klassifikationsge- nauigkeit in medizinischen Bildern, indem sie einen dreistufigen Klassifikationsprozess durchführten. Sie verwendeten acht bekannte Klassifikatoren und kombinierten diejenigen mit der höchsten Genauigkeit je Stufe. Gegenüber der einstufigen Klassifikation erreich- te diese mehrstufige Vorgehensweise bei der Brustkrebsdiagnose höhere Genauigkeiten. (Esener et al. 2017, S. 1, 11) Als datenbasierte Anwendung stößt maschinelles Lernen an Grenzen. Zum einen, wenn Daten in größerer Menge schnell generiert und zeitgleich das Modell trainiert werden soll. Zum anderen wenn mit kleineren Datenmengen eine hohe Genauigkeit und Generalisier- barkeit erreicht werden soll. Experten schätzen den Umgang mit kleineren Datenmengen in Bezug auf deutsche Unternehmen für die Realisierung der Potenziale maschinellen Lernens als bedeutende Herausforderung ein. Umfangreiches vorhandenes Hintergrund- und Expertenwissen der deutschen Industrie sollte nach Auffassung von Döbel et al. für das Training nutzbar gemacht werden. (Döbel et al. 2018a, S. 29) Rudzicz et al. schlagen für jedes datenbasierte Modell mit der fortschreitenden Standardi- sierung von Bewertungsmethoden im maschinellen Lernen Folgendes vor: Hyperparameter jedes Modells optimieren, Daten mit identischen Methoden vorverarbeiten und identische Training-, Validierungs- und Testdaten verwenden. 2.3.3 Datenlücken und Normalisierung der Merkmale Datenlücken können auf viele Arten im maschinellen Lernen beherrscht werden. Entweder sind die fehlerhaften Datensätze zu verwerfen oder durch valide Daten zu ersetzen. Das kann mit modellbasierten Ansätzen durch vorangegangene oder nachfolgende Daten erfolgen. Fehlende Daten werden aus bekannten abgeleitet. Das Löschen von Daten führt zum Verlust von wertvollen, wenn auch unvollständigen Trainingsbeispielen. Das ist bei wenig vorhandenen Daten nicht anzustreben. (García Laencina et al. 2008) Häufig beinhalten Datensätze nicht-äquidistante Abtastintervalle der Messwerte, die durch die technischen Grenzen des Messgeräts, Kommunikationswegs und Datenspeiche- rung bedingt sind. Die Messdaten sind aus diesem Grund für anschließende Analysen 52 2 Grundlagen Drucklufttechnik und maschinelles Lernen vorzubereiten. Die Vorbereitung beginnt mit der Neuabtastung der Daten, gefolgt von der Interpolation fehlender Werte, bis zur Eliminierung von Zeitverschiebungen in den Messreihen. (Ziegenbein et al. 2020, S. 1473) Je nach Wahl des Klassifkations- oder Vorhersagealgorithmus werden durch die Nor- malisierung der Merkmale höhere Genauigkeiten erreicht. Merkmale werden auf den Wertebereich zwischen Null und Eins skaliert. Bekannte Methoden sind die Min-Max- oder Standardabweichungsskalierung. Die Min-Max-Skalierung errechnet das Minimum und Maximum und skaliert die Merkmalwerte entsprechend auf den dazwischenliegenden Bereich. Von den Merkmaldaten wird bei der Standardabweichungsskalierung zuerst der Mittelwert der jeweiligen Art des Merkmals subtrahiert und anschließend durch deren Standardabweichung dividiert. (Patro & Sahu 2015) Die Normalisierung wird auf die Merkmaldaten des Trainings angewendet. Die ermittelten Skalierungsparameter werden im Anschluss verwendet, um die Merkmaldaten des Tests zu skalieren. Bekannte Skalierungsparametern des Trainings normalisieren bei nachfolgende Klassifikationen und Vorhersagen neue und unbekannte Daten. (Géron 2017, S. 49–53) 2.3.4 Auswahl und Reduktion der Merkmale Niedrige Genauigkeiten bei der Klassifikation oder Vorhersage aufgrund der hohen Di- mensionalität nach Gleichung 2.4 können auf zwei Arten verbessert werden: entweder die Anzahl an Trainingsdaten erhöhen oder die Dimension der Merkmale reduzieren. Letzteres sollte ohne den Verlust relevanter Informationen erfolgen, um den Merkmalraum mit weniger Dimensionen ausreichend zu beschreiben. Erfolgversprechend ist das Vorgehen, wenn die Trainingsdaten voneinander abhängen oder redundant sind. Komplementarität ist jedoch bei stark oder schwach korrelierenden Merkmalen nicht zwangsläufig auszuschließen. (Verleysen & François 2005; Fertig et al. 2020, S. 102) Es sind andere Merkmale zu erstellen und mit dem Modell neu zu klassifizieren, wenn diese zu niedrigen Genauigkeiten führen. Diese iterative Entwicklung ermittelt relevante Merkmale aus den ausgewählten Daten. (Fertig et al. 2020, S. 103) Guyon & Elisseeff haben das Verhalten des Random Forest erforscht. Ein Merkmal allein betrachtet kann zur Klassifizierung wenig relevant sein, jedoch zu einer signifikanten Erhöhung der Genauigkeit in Kombination mit einem anderen Merkmal führen. Zwei 2 Grundlagen Drucklufttechnik und maschinelles Lernen 53 Gruppen von Suchstrategien sind weit verbreitet. Zum einen die Vorwärtsauswahl, bei der sukzessiv Merkmale zusammengeführt und so immer größere Gruppen erstellt werden. Dies geschieht so lange, bis das definierte Gütekriterium, wie die Genauigkeit, erfüllt ist. Zum anderen ist die Rückwärtseliminierung weit verbreitet. Charakteristisch dafür ist der Beginn des Trainings mit allen Merkmalen und deren sukzessiven Reduktion. (Guyon & Elisseeff 2003) Eine kombinatorische Suche ist vorstellbar, bei der alle Kombinationen unter Vorgabe einer Merkmalanzahl durchgeführt werden. Untersuchungen deuten im Vergleich zu den beiden erstgenannten Suchstrategien bei der rechenintensiven kombinatorischen Suche auf eine Tendenz zur Überanpassung hin. (Guyon et al. 2002, S. 420) 2.4 Fazit Drucklufttechnik und maschinelles Lernen Der Druckluftbedarf für Aktoren und Schlauchverbindungen lässt sich vereinfacht aus dem Betriebsdruck und geometrischen Abmessungen berechnen. Das zeigen die genann- ten Untersuchungen. Das Druckprofil ist die Zeitfunktion von Druckschwankungen der Druckluft in einem Betriebszyklus. Es wird durch die Kombination unterschiedlicher Verbrauchszyklen verschiedener Endanwender verursacht. Die Drucksignatur korreliert nach normativer Definition mit einer spezifischen, sich wiederholenden Endanwendung oder Produktionstätigkeit. Es liegt nahe, diese Zeitfunktionen von Druckschwankungen der Druckluft in einem Betriebszyklus zu nutzen, um daraus charakteristische Merkmale zur Unterscheidung zu extrahieren. Die Durchflussprofile zeigen im Vergleich hierzu eine Zeitverzögerung auf. Es ist zu prüfen, inwieweit sich diese ebenfalls zur Mustererkennung eignen. Gegenwärtige Methoden zur Leckage-Erkennung mit maschinellem Lernen benö- tigen weitere Kontextinformationen, wie die Ventilzustände oder Positionsabfragen der Näherungsschalter. Die programmierbaren Algorithmen entwickeln aus den Messdaten mit maschinellem Lernen ein komplexes Modell. Die enthaltenen Zusammenhänge werden ohne manuelle Wissenseingabe oder explizite Programmierung des Lösungswegs extrahiert. Es ist ein exploratives Vorgehen erforderlich, um entweder ein Black-Box- oder Grey-Box-Modell mit zusätzlicher Kontextinformation zu erstellen. Das verwendete Modell basiert auf Merk- 54 2 Grundlagen Drucklufttechnik und maschinelles Lernen malen, die die Zusammenhänge beschreiben. Von großer Bedeutung ist die Eigenschaft von Regressionsbäumen bei der Merkmalauswahl. Merkmale werden unter anderem bei Regressionsbäumen hinsichtlich ihrer Signifikanz zur Berechnung der Genauigkeit ausge- wiesen. Die Methoden des maschinellen Lernens erscheinen zur Anwendung im Bereich Druckluft vielversprechend, jedoch ist die Generalisierbarkeit herausfordernd. Über- und Unteranpassung kann durch die Wahl der Merkmale und vor allem der Anzahl an Daten beherrscht werden. Dem entgegen wirken Vorgehensweisen, wie die Aufteilung in Trainings- und Testdaten sowie die Kreuzvalidierung. Die Unterteilung in Ein-Klassen-Klassifikatoren kann die Genauigkeit steigern. Die vorliegende Arbeit betrachtet den letzten Bereich eines Druckluftsystems, im Spezi- ellen die Anwendung in der Maschine. Die Durchführung der Forschungsarbeit erfolgt am Beispiel einer druckluftbetriebenen Maschine mit wandlungsfähigen Leckage-Pfaden. Die Maschine hat verschiedene Pneumatik-Aktoren und Ursachen von Druckluft-Leckagen. Es sollen datenbasierte Modelle ausgewählter Aktoren und Leckage-Ursachen mit Methoden des maschinellen Lernens erstellt werden. Die zentrale Druck- und Durchflussmessung am Maschinenanschlusspunkt erfordert einen geringen Messaufwand. Die Klassifikation ist einerseits die Unterscheidung von Aktoren im Messsignal, wie Zylinder, Schwenkein- heit, Vakuumsauger, kolbenstangenloser Zylinder. Andererseits sind die Leckage-Ursachen zu unterscheiden. Sie befinden sich im Verbindungsschlauch zum Aktor und sind: keine Leckage-Ursache, Knick im Schlauch, Loch im Schlauch sowie undichtes Verbindungsstück. 3 Grundlagen der Leckage-Erkennung Die Grundlagen in der Druckluft und in der Verwendung von maschinellem Lernen, werden im folgenden Kapitel durch die Grundlagen der Leckage-Erkennung komplementiert. Beginnend mit der Einordnung der Methoden zur Leckage-Erkennung, werden diese anschließend detailliert behandelt. 3.1 Methodeneinordnung und Bewertungskriterien Die Stufen eines Leckage-Managements dienen dazu, die Leckage-Erkennungsmethoden zu kategorisieren. Die Messprinzipien und Methoden zur Erfassung des Druckluftbedarfs und der Leckagen sind als Grundlage weiterer Bewertungen zusammengefasst. Die Einführung von Kriterien zur Bewertung eines Leckage-Managements sind erforderlich, um im darauf folgenden Kapitel, die Messprinzipien und Methoden zur Leckage-Erkennung zu bewerten. 3.1.1 Stufen eines Leckage-Managements und Methodenkategorisierung Das Leckage-Management ist nach Pastewski et al. in drei Stufen differenzierbar. Welche Stufe anzuwenden ist, hängt einerseits von Durchflussmenge und Leistung der Druckluftan- lage ab und andererseits ist sie hinsichtlich Aufwand und Nutzen sinnvoll zu wählen. Die Stufe eins ist eine manuelle Leckage-Erkennung und -reparatur, die häufig von externen Dienstleistern durchgeführt wird. Stufe zwei ist die jährliche manuelle Leckage-Erkennung durch unterwiesene Mitarbeiter. Zusätzlich erfolgt pro Jahr eine Überprüfung durch den Wartungsdienst für Kompressoren. Die finale Ausprägung, Stufe drei, umfasst die Installa- tion verteilter Sensorik im Rohrleitungssystem sowie deren automatische Analyse in einem übergeordneten System. Das Leckage-Management in dieser Stufe ist fähig, Änderungen 56 3 Grundlagen der Leckage-Erkennung im Bedarfsprofil oder die Erhöhung der Druckabfälle automatisch zu erkennen. (Pastewski et al. 2019, S. 184) Die Methoden der nachfolgenden Kapitel sind den Stufen zwei und drei zuzuordnen. Technische Methoden zur allgemeinen Erkennung von unkontrolliert ausströmendem Gas unterteilen Ramadevi et al. in drei Arten: hard- und softwarebasierte Systeme sowie Systeme auf biologischer Basis. Hardware basierte Systeme sind differenziert in akustische und optische Sensoren, Bodeninspektion, Ultraschall-Durchflussmesser und Dampfpro- benahme. Software basierte Systeme überwachen Prozessparameter wie Druck, Durchfluss oder Temperatur mit Algorithmen und werten diese aus. Systeme auf biologischer Basis verwenden Experten, welche mit Sichtprüf- und Handmessgeräten das Rohrleitungssys- tem inspizieren. Hunde können bei nicht geruchlosen Gasen ebenfalls eingesetzt werden. Methoden mit digitaler Signalverarbeitung extrahieren Informationen aus Messdaten wie Druck, Durchfluss oder Temperatur. Wenn eine Leckage während der Einrichtungsphase vorhanden ist, kann sie erst nach der Vergrößerung detektiert werden. Die Nachteile sind der hohe Aufwand bei der Durchführung und die anspruchsvollen Implementierungsanfor- derungen. (Ramadevi et al. 2019) In den nachfolgenden Kapiteln sind die Methoden zur Leckage-Erkennung thematisch zusammengefasst. Die ausgewählten Methoden dieses Kapitels nach Dierolf & Sauer geben eine Übersicht, wie die Energieverluste identifiziert und quantifiziert werden können. Detaillierte Erläute- rungen der jeweiligen Methoden im Speziellen unter Berücksichtigung des aktuellen Stands der Wissenschaft und Forschung sind in Kapitel 3.2 aufgeführt. Die Betrachtung fokussiert die Identifikation und Quantifizierung von Leckagen auf Maschinenebene bis hin zur Anwendung, beispielsweise in Form eines Zylinders. Produkte, die entsprechende Methoden verwenden, sind vereinzelt exemplarisch benannt. Weitere am Markt verfügbare Produkte sind im Anhang G gelistet. Abbildung 3.1 zeigt eine Übersicht ausgewählter Methoden zur Leckage-Erkennung. Das betrachtete System umfasst alle Bestandteile einer Maschine mit Druckluftversorgung. Der Anschlusspunkt der Medienver- sorgung bildet die Systemgrenze. Für die Bewertung sind sowohl kontinuierliche Leckagen als auch spontane Leckagen bei der Bewegung von Aktoren anzunehmen. Die Drucklufter- zeugung, Aufbereitung und Verteilung sind nicht Teil der Betrachtung. (Dierolf & Sauer 2021b, S. 37) Die Systemgrenzen waren in der Voruntersuchung des Autors, wie auch in 3 Grundlagen der Leckage-Erkennung 57 dieser Arbeit, so gewählt, da nach Kapitel 1.2 knapp die Hälfte des Einsparpotenzials, teilweise aufgrund von Leckagen, in der Druckluftanwendung liegt. Abbildung 3.1: Übersicht ausgewählter Methoden zur Leckage-Erkennung: Die Methoden und deren verwendete Messgrößen sind um die Maschine angeordnet. Diese wird am Maschinenanschlusspunkt mit Druckluft und elektrischer Energie versorgt. (Dierolf & Sauer 2021b, S. 38) 3.1.2 Kriterien eines digitalen Leckage-Managements Im Jahr 2021 wurden erstmals Bewertungskriterien eines digitalen Leckage-Managements definiert und hierdurch Methoden zur Leckage-Erkennung in Druckluftsystemen bewertet. Dem Anwender soll die Auswahl anhand von Kriterien wie Aufwand für Messtechnik und Implementierung, Lokalisation, Unterscheidung der Ursache und Marktreifegrad ermöglicht werden. (Dierolf & Sauer 2021b) Die Definitionen des wissenschaftlichen Beitrags sind im Anhang H zitiert. Wie die Methoden anhand der Kriterien bewertet sind, folgt in Kapitel 4.2. 3.2 Messprinzipien und Methoden Nach der Übersicht der verschiedenen Methoden zur Leckage-Erkennung im vorangegange- nen Kapitel werden diese im Detail vorgestellt. Sie beinhalten etablierte Methoden der Praxis, am Markt verfügbare Produkte sowie wissenschaftliche Untersuchungen. 58 3 Grundlagen der Leckage-Erkennung 3.2.1 Differenzdruckanalyse Auftretende Leckagen können aufgrund ihrer Druckänderung mit der Druckpunktanalyse oder Diffe