Forschungsprojekte
VIPFLUID - Vorausschauende Instandhaltung für Pumpensysteme auf Basis von Federated Learning und Synthese von multiplen Sensordaten
Zusammenfassung
Klimaveränderungen mit Extremwetterereignissen auch in Deutschland, wie Hitze oder Starkregen, erfordern Gegenmaßnahmen zu deren akuter Bewältigung sowie Schritte gegen weiteren CO2-Ausstoß. Mit dem Projektziel einer vorausschauenden, lernenden Instandhaltung von Abwasserpumpen und -pumpwerken sollen Ressourcen wie Energie, Menschen (weniger Inspektionsfahrten) & Material (längere Lebensdauer) eingespart und durch Vorbeugen unerwarteter Technikausfälle eine resiliente Infrastruktur geschaffen werden. Zudem sind die Entwicklungsschritte u.a. mit Schwingungssimulation sowie die digitale Lösung selbst durch OpenSource-Software oder effiziente, verteilte Algorithmen nachhaltig konzipiert. Adaptive Sensortechnik und ein intelligenter Sensorhub erfassen hierbei die Pumpendaten und verarbeiten diese lokal vor (Edge), um einen komprimierten Datenstrom an lokale Rechenressourcen (Fog) zu senden. Synthetische Daten (GANs) ermöglichen lokale und ressourcenschonenden ML-Modelle zur Vorhersage. Unter Beachtung der Data Privacy erfolgt die Modell-Übertragung an ein Cloud-System zum globalen Training. Durch einen föderativen Ansatz (Federated/Transfer Learning) werden die gemeinsamen, präemptiven ML-Modelle durch weitere NutzerInnen iterativ verbessert, in die Fogs zurück gespiegelt und alle Beteiligten profitieren hinsichtlich Prozesssicherheit und Ausfallsvorhersage.
Bezug zu politischen Zielsetzungen
Das vorliegende Projekt setzt bei den 17 formulierten Zeilen der UN-Agenda 2030 insbesondere bei den Punkten der Ökologie (SDG 13) und der Wirtschaft (SDG 9) an und schafft die Möglichkeit vorhandene Infrastruktur im Bereich der dezentral geprägten Abwasserbeseitigung nachhaltig zu betreiben. Die zu entwickelnden digitalen Strukturen/Modelle sollen im Bereich der Instandhaltung einem übermäßigen Ressourcenverbrauch (Energie, Material, Personal) entgegenwirken. Dies bedeutet höhere Effizienz für Instandhaltungsprozesse und höhere Lebensdauer der Apparate. Ziel des Projektes ist es, die digitale Lösung so zu konzipieren, dass Soft- und Hardwareressourcen durch minimierten Datentransfer optimal und die angewandten KI-Modelle durch Federated Learning (FL), Datensynthese, sowie energiesparende Algorithmen effizient genutzt werden. Dies führt zu signifikanten Ressourceneinsparungen und folglich zu deutlichen CO2-Reduktionen (SDG 13), womit das Erreichen von Klima- und Umweltschutzzielen unterstützt wird.
Wirtschaftspolitische und / oder gesellschaftspolitische Relevanz des Vorhabens
In Zeiten der Ressourcenverknappung besitzt die Sicherstellung der Verteilungsgerechtigkeit eine hohe gesellschaftspolitische Relevanz. Dies gilt für die Ressource Wasser ebenso wie für den Einsatz von Energie, Material & Personal zum Erhalt und zur Optimierung der Wasserver- und -entsorgung (WVE). Die Einsparungen tragen in erster Linie zu dem o.g. Aspekt der ökologischen Nachhaltigkeit bei. Freiwerdende Kapazitäten sorgen für eine ausgeglichenere Verteilung der Ressourcen, wirken stabilisierend und beugen Engpässen vor. Betroffen sind Energie, Rohstoffe und Fachkräfteverfügbarkeit. Pumpwerke für Abwasser erfordern als dezentrale Anlagen einen hohen manuellen Wartungsaufwand durch Fachkräfte. Langfristig kann die technische Lösung auch auf weitere Anwendungsgebiete ausgeweitet werden (Spill-Over). Im Bereich der Abwasserableitung ist eine Nutzung für dynamische Steuerungen von Abwasserströmen denkbar. Vorhandene Infrastruktur könnte bspw. bei klimabedingten Starkregenereignissen dynamisch angesteuert und Schäden vorgebeugt werden. Mit den dargestellten Entwicklungszielen dieses Vorhabens wird dem Ausfall von essentieller Technik in unerwarteten Stressphasen vorgebeugt und die gegebene Infrastruktur resilient gestaltet (SDG 9). Darüber hinaus birgt der Einsatz von ML-Verfahren im Anlagenbereich große strategische Potentialle, die aktuell aufgrund des hohen Ressourceneinsatzes bei herkömmlichen Lernverfahren ungenutzt bleiben.
Nutzenversprechen und konkrete, angestrebte Ergebnisse des geplanten Vorhabens
Ziel des Projektes ist es, Zustandsdaten von Abwasserpumpen durch geeignete Sensortechnik zu ergänzen und diese für Machine Learning (ML)-Training zu nutzen. Dies ermöglicht eine proaktive Wartung und minimiert reaktives Handeln. Dadurch wird insbesondere kostenintensiven und systemkritischen Ausfällen vorgebeugt und eine signifikante Erhöhung der Prozesssicherheit angestrebt. Kernstück dieses Ansatzes ist neben der Sensortechnik die digitale Umsetzung der Datengenerierung und -verarbeitung, sowie das Nachnutzen von bereits existierenden ML-Modellen. Die zu entwickelnden Software-Lösungen auf Basis von Generative Neural Networks und FL sollen ML-Technologie im Bereich der präemptiven Wartung auf ökonomische und ökologische Weise etablieren, d.h. die neuen Technologien mit minimalem Ressourceneinsatz zur Datenakquise ermöglichen und Lernerfolge von Partnern zu gemeinsamen Modellen verdichten, um im konkreten Fall eine schnelle Einführung und belastbare Vorhersage-Ergebnisse zur Verfügung zu stellen. Auf diese Weise sollen Ressourcen für die Instandhaltung deutlich reduziert werden.
Offenheit des Vorhabens hinsichtlich des Einsatzes / Generierung offener Standards und / oder Nutzung / Generierung von Open Source-Lösungen
Die Umsetzung und der Lösungsansatz des Projektes erfolgen vorrangig mit Open-Source-Software. Zudem wird durch das FL und dem verbundenen Trainieren auf mehreren Geräten implizit ein gemeinsames Modell erzeugt, das von allen genutzt werden kann. Auch die analoge technische SesnlrLösung wird herstelleroffen realisiert. Ferner befördert der primär anvisierte Einsatzbereich der Abwasserbehandlung von meist kommunalen Unternehmen (organisiert in Zweckverbänden) den offenen Wissensaustausch, wobei zusätzlich wirksame synergistische Effekte in der Datengenerierung sowie eine Stärkung des Models zu erwarten sind.
- Gefördert von: BMWK, Referat VIB3, Entwicklung digitaler Technologien
- Kontaktperson: Karsten Wendt
- Webseite des Projekts: link
- Projektlaufzeit: 05/2023 bis 04/2026