Proof-of-Concept:
Wie Semantic Folding helfen kann, den Betriebszustand von kommunalen Wasserpumpen zu überwachen
Ziel
Entwicklung eines Prognosemodells, das zukünftige Pumpenausfälle anhand von mehreren Sensorwerten vorhersagen kann
Datensatz
Öffentlicher, auf Kaggle gehosteter Datensatz mit 220k Datenpunkten, die über einen Zeitraum von 4 Monaten von den 52 an einer Pumpe installierten Sensoren Minute für Minute gesammelt wurden
In diesem kurzen Video wird die Entwicklung von Betriebsstatus-Fingerprints mit der von Fehlerstatus-Fingerprints verglichen.
Herausforderungen
- Von den 220.000 verfügbaren Datenpunkten sind nur ein paar Hundert Anomalie-Datensätze, die 7 events darstellen, bei denen die Pumpe nicht in Betrieb war. Diese relativ geringe Anzahl stellt eine Herausforderung für das Training von Deep-Learning-Modellen dar.
- Es lagen keine Informationen über die Sensortypen oder Messeinheiten vor, was die Parametrisierung der Datenfilter sehr komplex, wenn nicht gar unmöglich machte.
- Um mehrere Sensordatenströme in Echtzeit zu analysieren, werden Hochleistungsrechner benötigt.
Die Lösung
Zunächst wird ein semantischer Raum geschaffen:
- Ein Referenzwörterbuch, das den normalen Betriebszustand der Wasserpumpe widerspiegelt, wird erstellt, indem alle mit "normal" gekennzeichneten Datensätze aufgenommen und alle mit "defekt" und "erholt" gekennzeichneten Datensätze ausgeschlossen werden.
- Die Rohdaten des Sensors werden in dünn verteilte Vektoren umgewandelt (semantic fingerprints), wobei jedes aktive Bit bei allen Fingerabdrücken eine ähnliche Bedeutung hat.
- Der gesamte Prozess wird durch unüberwachtes Training durchgeführt und dauert etwa 15 Minuten auf einem Standard-Notebook.
Während des Betriebs werden jede Minute 52 Sensorwerte aufgezeichnet. Jeder dieser Einzelwerte wird in einen kontextualisierten semantic fingerprint umgewandelt, und dann werden für jeden Messdatensatz die 52 Fingerabdrücke aggregiert und dünn besiedelt, um einen repräsentativen Status-Fingerabdruck zu einem bestimmten Zeitpunkt zu erstellen. Dank der grundlegenden Eigenschaften von spärlichen Vektoren gehen bei diesem Aggregationsprozess keine Informationen verloren.
Ergebnisse
- Wenn die gesamte Zeitreihe der Pumpensensoren in semantische Fingerabdrücke umgewandelt wird, entsteht eine dynamische Chronologie (ein „Film“), der die Entwicklung der Systemzustände veranschaulicht.
- Auffallend ist die große Ähnlichkeit zwischen aufeinanderfolgenden Status-Fingerabdrücken, was auf eine sehr hohe Kohärenz der Datensätze hindeutet. Mit anderen Worten: Semantic Folding ermöglicht es, allmählich auftretende Anomalien frühzeitig zu erkennen.
Der Unterschied von Cortical.io
- Semantic Folding ermöglicht es, die verborgene Semantik eines Systems ausschließlich auf Basis diskreter Messwerte zu erfassen.
- Die Darstellung von Sensordaten mit semantic fingerprints ermöglicht die Unterscheidung zwischen verschiedenen Zuständen, z. B. zwischen Betriebs- und Fehlerzuständen, ohne detaillierte Kenntnis der zugehörigen Sensormuster.
- Im Rahmen der vorausschauenden Wartung könnte eine Datenbank mit Fingerabdrücken von Fehlerzuständen verwendet werden, um in Echtzeit zu messen, wie sehr der aktuelle Betriebszustand der Pumpe einem Fehlerzustand ähnelt.
- Die Semantic-Folding-Methode kann unabhängig von der Komplexität des beobachteten Systems, der Anzahl der Sensoren oder deren Typen angewendet werden – vorausgesetzt, es lassen sich ausreichend Sensormesswerte ableiten.
- Berechnungen basierend auf semantischen Fingerabdrücken sind sehr effizient, da die Messvektoren bitweise und nicht durch herkömmliche Vektormultiplikation (Punktprodukt) verarbeitet werden, was den Einsatz in Echtzeit- und/oder eingebetteten Anwendungen ermöglicht.
