Das Softsensor-System „Anominer“ ist eine gemeinsame Entwicklung der Firma Knowtion und dem Lehrstuhl für intelligente Sensor-Aktor-Systeme (ISAS) am Karlsruher Institut für Technologie (ITK). Aufgabe des Systems ist die Detektion und Verfolgung von zeitlichen Veränderungen und Abweichungen vom Normalverhalten eines Industrieprozesses. Der Dienst wird in Form einer Cloud-Anwendung angeboten und agiert somit ortsunabhängig.

Der System-Aufbau

Anominer besteht aus einer Client-Anwendung und dem Cloud-Dienst zur Verarbeitung der Daten. Der Anominer-Client ist ausschließlich für die Weiterleitung der Messdaten zuständig – er nimmt Sensordaten entgegen und gibt sie an den Anominer-Dienst weiter. Im Gegenzug empfängt er das berechnete Ergebnis des Anominer-Dienstes und stellt es dem Prozess zur Verfügung. Der Client ist ein PC-Programm, das auf COTS-Hardware (Commercial off-the-Shelf) betrieben werden kann und nur wenige Rechen- und Speicher-Ressourcen benötigt. Mit einem entsprechend ausgerüsteten Industrie-PC kann die Kommunikation über Schnittstellen wie Ethernet oder Feldbus-Systeme und deren Protokolle erfolgen.

Die eigentliche Verarbeitung der Sensordaten erfolgt über den Anominer-Dienst im Cloud-Umfeld. Prinzipiell sind die Verarbeitungsalgorithmen echtzeitfähig, allerdings von der Netzwerk-Infrastruktur und hierbei vor allem von der Internet-Verbindungsgüte und -latenz abhängig. Die internen Datenprotokolle von Anominer – vor allem bei der Kommunikation zwischen Client und Dienst – basieren auf XML. Dadurch sind sie erweiterbar und ermöglichen Dritten den Zugriff auf den Dienst. Die Kommunikation zwischen Client und Dienst erfolgt durchgängig TLS-verschlüsselt und authentifiziert. Für sicherheitsrelevante Anwendungen gibt es zudem einen „sicheren Modus“, bei dem keine Speicherung der Messdaten in der Cloud erfolgt. Im Hauptspeicher von Rechenknoten in der Cloud wird lediglich der aktuelle Zustand des Modells gehalten, ohne in Datenbanken oder andere nichtflüchtige Speicher geschrieben zu werden.

Das Funktionsprinzip von Anominer.

© Knowtion

Das Ergebnis von Anominer kann zur Verifikation der Messdaten, zur Analyse von Änderungen des Prozesses, zur Vorhersage von Messdaten oder zur Korrektur von Messfehlern in Echtzeit verwendet werden. Das Ergebnis in Form eines Ausreißer- oder Anomalie-Indikators oder eines korrigierten oder vorhergesagten Messwertes wird einem Prozessrechner beziehungsweise einem Leitsystem zur Verfügung gestellt.

Eine Besonderheit des Tools ist, dass es das Normalverhalten aus Messdaten im laufenden Betrieb automatisch lernt. Auf Basis des gelernten Modells kann es Ausreißer und Anomalien frühzeitig erkennen – und zwar weitgehend unabhängig von der Art der Sensordaten. Da durch diese Selbstkonfiguration das exakte Prozessverhalten nicht explizit modelliert werden muss, vereinfacht sich die Konfiguration der Überwachung komplexer, dynamischer Pro-zesse. Zudem lassen sich kurzzeitige Ausreißer kompensieren und stattdessen zu erwartende, ungestörte Ergebnisse an das Leitsystem übermitteln.

Anominer lässt sich für die permanente Überwachung der korrekten Funktionalität, die Fehlersuche, das frühzeitige Erkennen von drohenden Störungen und insbesondere die Diagnose von Maschinen und Anlagen nutzen. Ein Anwendungs-Szenario ist die Beobachtung und Überwachung der akustischen Signatur beispielsweise an Windkraftanlagen. Durch die automatische Datenanalyse lassen sich versteckte Störungen frühzeitig erkennen und entsprechende Wartungsmaßnahmen rechtzeitig einleiten.

Die Integration in bestehende Industrieprozesse gestaltet sich einfach: Der Dienst lässt sich auf Servern von Knowtion oder auch in einer privaten Cloud-Umgebung unter vollständiger Kontrolle des Endkunden betreiben.

Algorithmen und Funktionsweise

Bei der Entwicklung von Anominer wurden Algorithmen ausgewählt, kombiniert und weiterentwickelt, die eine zuverlässige Erkennung von Anomalien und Ausreißern ermöglichen. Da die Messdaten von sehr unterschiedlichen Quellen und Systemen stammen können, müssen die Algorithmen entsprechend flexibel sein. Größtenteils beruhen sie auf so genannten stochastischen Schätzverfahren und sind in der Lage, sowohl hochgradig nichtlineare als auch hochdimensionale Probleme zu verarbeiten.

Für die Erkennung von Anomalien verwendet Anominer künstliche Neuronale Netze, die es ermöglichen, relevante Merkmale und Informationen aus umfangreichem Datenmaterial herauszufiltern. Durch diese Extraktion lassen sich große Datenmengen auf wesentliche, charakteristische Merkmale reduzieren. Normalerweise sind diese Algorithmen nur für einzelne, unabhängige Datenpunkte ohne jeglichen zeitlichen Zusammenhang anwendbar, was für die Anwendung von Anominer auf Zeitreihen eine Erweiterung des oben beschriebenen Ansatzes erforderte. Hierfür war es nötig, den zeitlichen Zusammenhang zwischen einzelnen Datenpunkten entsprechend zu modellieren: Um möglichst flexibel auf beliebige Zeitreihen reagieren zu können, passt sich die Komplexität des Modells adaptiv an die vorhandenen Daten an. Mittels dieser probabilistischen Modellbeschreibung ist es möglich, ein Distanzmaß zu definieren, das charakterisiert, wie gut eine Zeitreihe zu dem gelernten probabilistischen Modell passt. Das Überschreiten des Distanzmaßes über einen vorher definierten Schwellwert bedeutet, dass die Zeitreihe nicht zum vorher gelernten Modell passt und es sich somit um eine Anomalie beziehungsweise eine Störung im unterlagerten Prozess handelt.

Für die Erkennung und Kompensation von Ausreißern verwendet Anominer auf robusten Kalman-Filtern basierende Algorithmen, die so erweitert sind, dass sie zuverlässig Systemparameter aus beobachteten Zeitreihen ableiten. Zunächst werden Annahmen an den unterlagerten Prozess geknüpft – zum Beispiel ein zeitweise linearer dynamischer Prozess –, um die Prozessparameter aus den bisher beobachteten Messwerten zu bestimmen. Im nächsten Schritt werden die daraus berechneten Parameter im Kalman-Filter verwendet, der die zukünftige Messung verarbeitet. Um dabei die Robustheit im Falle von Ausreißern und nicht normalverteiltem Messrauschen zu verbessern, werden im Rahmen der Verarbeitung die Parameter der Wahrscheinlichkeitsdichte des Rauschens mitbestimmt. Detektiert das System einen Ausreißer im Signal, wird dieser Messwert verworfen und mit Hilfe der Systemparameter rekonstruiert. Resultat ist ein rekonstruiertes Signal, das keine Ausreißer beinhaltet.

Korrektur von Ausreißern: „Amoniner“ berechnet für jeden Messwert, ob dieser dem intern berechneten, erwarteten Wert entspricht. Weichen beide zu weit voneinander ab, liegt ein Ausreißer vor und der erwartete Wert wird als Korrektur ausgegeben.

© Knowtion

Mittels der gelernten Modelle lassen sich auch Prognosen über erwartete Messwerte erstellen. Hierbei kommen dieselben Verfahren zur Anwendung wie bei der Erkennung von Anomalien und Ausreißern – allerdings wird hier nicht der aktuelle Messwert aus den gelernten Modellen abgefragt, sondern Messwerte für zukünftige Zeitpunkte. Dies erlaubt eine Vorhersage der zu erwartenden Daten über einen bestimmten Zeithorizont.

Welcher Nutzen für die Überwachung von Anlagen ergibt sich nun konkret aus diesem Ansatz?
Zum einen können Anwender Abweichungen und Anomalien durch die permanente Überwachung durch Anominer früher und umfassender erkennen und Fehlentwicklungen bereits im Ansatz verhindern. Prozesse zur Qualitätssicherung lassen sich ständig verbessern und effizienter gestalten – sowohl in der Entwicklung als auch im Betrieb, beim Test oder bei der Wartung.

Der hohe Automatisierungsgrad sorgt dafür, dass sich auch komplexe Messbewertungen mit geringem Ressourcen- und Personalaufwand durchführen lassen. Die anwendungsunabhängige Software erlaubt es, Anominer für verschiedene Aufgaben einzurichten. Vor allem bei sich wiederholenden Prozessen ist das System schnell in der Lage, das Normalverhalten und übliche Variationen zu erkennen.

Durch die Cloud-Technologie lassen sich die Algorithmen im Softsensor-System immer auf dem aktuellen Stand halten. Hierdurch erhält der Anwender ein kontinuierlich verbessertes System. Dadurch ist das Tool kostengünstiger als eine Individuallösung und somit auch für kleine und mittlere Installationen rentabel.

Dank der Verarbeitung in der Cloud besteht für den Anwender eine größere Flexibilität bei Design und Installation von ganzen Sensornetzen, beispielsweise für die Beobachtung, Überwachung und Vermessung weiträumiger physikalischer Prozesse. Zudem ist durch die Vernetzung der Dienst überall und jederzeit verfügbar, ohne das Vorhalten dedizierter Hardware zur Sensordatenverarbeitung zu erfordern. Durch Authentifizierungs- und Verschlüsselungsmaßnahmen wird die Einhaltung entsprechender Datenschutzanforderungen sichergestellt.

Autor: Vesa Klumpp ist einer der drei Geschäftsführer von Knowtion in Karlsruhe.