VIPFluid

Auf der Basis von Transfer / Federated Learning und Datensynthese, sowie modernen Datentechnologien wurde eine Softwarelösung für die zustandsbasierte Wartung von Pumpenanlagen entwickelt. Eine modular aufgebaute Edge-Fog-Cloud-Architektur bündelt die Trainingsdaten dezentral und wahrt durch Datensynthese die Privatsphäre. Dank vorbereiteter Modelle und Techniken zur Wissensextraktion wird das ML-Training beschleunigt und ressourcenschonend gestaltet. So entstand eine flexible Plattform, die sich für alle Arten vorausschauender Wartung auf Basis von Vergangenheistdaten und AI einsetzen lässt.

Herausforderungen

Pumpenanlagen erzeugen hochkomplexe Zeitreihendaten, deren Erfassung und Verarbeitung sehr aufwendig ist. Um verlässliche Vorhersagen zu ermöglichen, mussten große Datenmengen gesammelt und vereinheitlicht werden. Gleichzeitig sollte das KI-Training möglichst schnell und effizient ablaufen. Zudem bestand Unsicherheit darüber, welche Sensorik tatsächlich notwendig ist, um zuverlässige Vorhersagen zu treffen.

Lösungsansatz

Unser Team entwickelte eine modulare Software-Architektur, in der gängige KI-Technologien wie PyTorch, DVC und MLflow integriert sind. Dank Virtualisierung mittels Docker lässt sich die Lösung von Edge- über Fog- bis hin zur Cloud-Ebene flexibel bereitstellen. Federated Learning, Transfer Learning und Datensynthese senken den Datentransfer und beschleunigen das lokale Training. Knowledge-Distillation-Techniken sorgen für generalisierte und leistungsstarke Modelle, die sich für verschiedene Pumpensysteme eignen und dadurch AI im Bereich vorausschauende Wartung wirtschaftlich machen

Ergebnis

Die Pumpenanlagen profitieren von präzisen Zustandsvorhersagen, die Wartungsintervalle optimieren und Ausfallzeiten reduzieren. Daten- und Ressourcenschonung sind gewährleistet, da nur noch minimale Daten übertragen und teure Rechenprozesse lokalisiert werden. Die Plattform ist leicht erweiterbar, sodass weitere Systeme mit ähnlichen Anforderungen integriert werden können. Damit wurde eine zukunftssichere Basis für vorausschauende Wartung geschaffen, die Datenschutz, Effizienz und Skalierbarkeit vereint.