Entwicklung intelligenterer elektrischer Geräte mit eingebetteter KI

Die Kombination von modellbasiertem Design und KI in elektrischen Systemen verbessert den Industriebetrieb

Alle Komponenten des modernen Lebens sind auf funktionierende elektrische Systeme angewiesen. Im industriellen Maßstab bedeutet der Ausfall dieser Systeme Datenverlust, Verschwendung und Dunkelheit. Ein Bauteil ist besonders starkem Verschleiß ausgesetzt: ein Schütz, ein Gerät, das den Strom ein- oder ausschaltet. Bis vor Kurzem musste man bei der Wartung von Schützen jedoch versuchen, vorherzusehen, wann die Geräte ausfallen oder eine Fehlfunktion aufweisen könnten. Um dieses Problem zu beheben, haben die Ingenieure von Schneider Electric künstliche Intelligenz (KI) und modellbasiertes Design kombiniert, um einen Algorithmus zur vorausschauenden Wartung in die Schütze selbst einzubetten. Es gelang ihnen, einen monatelangen Wartungstest in eine Mittagspause zu komprimieren.

Um die verbleibende Lebensdauer von Schützen beziffern zu können, waren früher intensive, monatelange Tests nötig. Durch die zunehmende Zugänglichkeit von KI-Tools für die Entwicklung konnten die Ingenieure von Schneider Electric jedoch nicht nur diese Testzeit verkürzen, sondern auch die Entwicklungszeit für neue Schütze von drei Jahren auf sechs Monate verkürzen.

„Vor dieser neuen Methode mussten Kunden die Anlage während einer Wartungskampagne ausschalten“, sagt Silvio Rizzuto, leitender technischer Experte bei Schneider Electric. „Wenn Sie beispielsweise in der Lebensmittelherstellung die Produktion stoppen, verschwenden Sie alles, was sich noch auf der Produktionslinie befindet.“

Von reaktiv zu proaktiv

Da diese lebenswichtigen Geräte mit sehr hohen Strömen und Spannungen zu tun haben, unterliegen die Schütze im Laufe ihrer Lebensdauer einem Verschleiß, der je nach Betriebsbedingungen deutlich über 10 Jahre betragen kann. Allerdings können Umwelteinflüsse die Lebensdauer der Geräte verkürzen. Durch proaktive Eingriffe lässt sie sich verlängern. Aufgrund dieser Schwankungen ist es schwierig, die verbleibende Nutzungsdauer (RUL) eines einzelnen Schützes im Betrieb abzuschätzen.

Mit der Einführung einer neuen Generation von Schützen wollte das Team von Schneider Electric den Kunden die Möglichkeit geben, proaktiv statt reaktiv zu handeln. Mithilfe von KI versuchte das Team, einen Algorithmus zur vorausschauenden Wartung in einen Schütz einzubetten, um das Spannungsverhältnis zwischen der Überwachung der Schützlebensdauer und der Aufrechterhaltung des Betriebs zu beseitigen.

Rizzuto und seine Kollegen beschäftigten sich schon lange mit diesen Fragen. „Unsere Produkte können 20 Jahre lang in der Installation des Kunden eingesetzt und dauerhaft eingeschaltet bleiben“, sagt Rizzuto. „Elektrische Bauteile sind für derartige Anwendungen nicht ausgelegt.“

Um eine ungefähre Vorstellung von der RUL eines Schützes zu bekommen, unterbrechen die Techniker ihre Arbeit, um die Kontaktpunkte einer Sichtprüfung zu unterziehen und nach Verfärbungen oder Lochfraß zu suchen, die auf ein alterndes Schütz hinweisen. Kunden können die Lebensdauer dieser Geräte jedoch nur in begrenztem Umfang optimieren und ihren Betrieb schützen.

Mit der Einführung einer neuen Generation von Schützen wollte das Team von Schneider Electric den Kunden die Möglichkeit geben, proaktiv statt reaktiv zu handeln. Mithilfe von KI versuchte das Team, einen Algorithmus zur vorausschauenden Wartung in einen Schütz einzubetten, um das Spannungsverhältnis zwischen der Überwachung der Schützlebensdauer und der Aufrechterhaltung des Betriebs zu beseitigen.

Arbeiter installiert Schütze in einem Industriepanel.

Installation von TeSys Giga-Schützen. (Bildquelle: Schneider Electric)

Beginn bei null

Im Jahr 2016 begann Schneider Electric mit der Entwicklung des TeSys Giga-Schützes, seines ersten Schützes, das mit einer Funktion zur Schätzung der verbleibenden Lebensdauer ausgestattet sein sollte. Doch die erste Phase des Unterfangens endete, wie Rizzuto es ausdrückte, in einem „Desaster“.

„Um die Komplexität zu bewältigen, haben wir uns für die Einbeziehung von Model-Based Design und Codegenerierung entschieden.“
Silvio Rizzuto, leitender technischer Experte, Schneider Electric

Das Projektteam begann mit dem Aufbau eines Algorithmus zur Lebensdauerschätzung von Grund auf mithilfe maschinellen Lernens, um die Verschleißgrade der Schütze zu klassifizieren. Um die zum Trainieren des Algorithmus erforderlichen Daten zu generieren, bauten sie eine elektrische Steckkarte, die die erforderlichen Messwerte – wie Strom, Spannung und Anzahl der Operationen – aus dem Inneren eines Schützes erfassen konnte, und ließen das Gerät Operationen durchlaufen, um diese Werte zu erhalten.

Nach zweieinhalb Jahren Entwicklungszeit für die KI begannen sie mit dem Testen des neuen TeSys Giga-Schützes. Diese erste Version überstand die Haltbarkeitstests nicht – und niemand konnte die zugrunde liegende Ursache identifizieren. Das manuelle Erstellen von Algorithmen ist ein komplexer Prozess, bei dem viele Möglichkeiten für menschliche Irrtümer bestehen. „Es wurde unmöglich, damit umzugehen“, sagt Rizzuto. „Zu diesem Zeitpunkt entschieden wir uns, Model-Based Design und Codegenerierung einzubeziehen, um die Komplexität zu bewältigen.“

Dekonstruierte Abbildung des TeSys Giga-Schützes, die die Einzelteile zeigt, einschließlich Blockverbindungen (Adv), Basis, Ampulle, Mittelrahmen und mobilem Magnet sowie CMD, Spule und Fixmagnet.

Der TeSys Giga-Schütz. (Bildquelle: Schneider Electric)

Kombination aus KI und Model-Based Design

Sowohl Model-Based Design als auch KI gibt es bereits seit Jahrzehnten, doch die Kombination beider Verfahren und die Verfügbarkeit benutzerfreundlicher KI-Tools für Ingenieure ist eine relativ neue Entwicklung. „Heute stehen wir am Anfang der Anwendung dieser Methodik“, sagt Cédric Tridon, ein Application Engineer bei MathWorks, der Rizzuto und andere Kunden in der Region unterstützt. „Heute wissen Ingenieure, wie man KI einsetzt, und wir verfügen über die Werkzeuge, die sie bei der Entwicklung von KI-Algorithmen zur Lösung ihrer Probleme unterstützen, und diese können für immer mehr Anwendungen eingesetzt werden.“

Das Team tauschte die manuellen Methoden gegen Automatisierung ein und nahm die Entwicklung, Modellierung und Simulation der Leistung des maschinellen Lernalgorithmus mit MATLAB wieder auf. Sie verglichen die Ergebnisse des Modells mit ihrem ursprünglichen Datensatz, um sicherzustellen, dass es wie geplant funktionierte, und nutzten Simulink, um die Algorithmusarchitektur zu entwickeln, zu simulieren und zu visualisieren. MATLAB hat außerdem den Code generiert, den das Projektteam in den Schütz einbetten konnte.

Der Einsatz von MATLAB^® zur Kombination von Model-Based Design und KI verschaffte dem Projektteam zwei Vorteile, die es vorher nicht hatte: eine visuelle Schnittstelle für einen komplexen Algorithmus und eine schnelle, präzise Möglichkeit, die verbleibende Lebensdauerfunktion zu simulieren, bevor sie im tatsächlichen Schütz getestet wurde.

Rizzuto, der über keine ausgeprägten Kenntnisse im Bereich KI verfügte, nutzte die Ressourcen von MathWorks wie Schulungen, technischen Support und Online-Beispiele, um die Neuentwicklung des TeSys Giga-Schützes anzukurbeln. Rizzutos Team hatte aus seinen Fehlern gelernt. „Wir wollen keine Blackbox“, sagt Rizzuto. „Wir wollen alles darüber wissen, wie unser Algorithmus funktioniert.“

Das Team tauschte die manuellen Methoden gegen Automatisierung ein und nahm die Entwicklung, Modellierung und Simulation der Leistung des maschinellen Lernalgorithmus mit MATLAB wieder auf. Sie verglichen die Ergebnisse des Modells mit ihrem ursprünglichen Datensatz, um sicherzustellen, dass es wie geplant funktionierte, und nutzten Simulink^® um die Algorithmenarchitektur zu entwickeln, zu simulieren und zu visualisieren. MATLAB hat außerdem den Code generiert, den das Projektteam in den Schütz einbetten konnte.

„Wir wollten in der Lage sein, das RUL für einen Schütz zu testen, was normalerweise viereinhalb Monate dauert“, erklärte Rizzuto. „Mit dem Modell ist es möglich, diesen Prozess in nur einer Stunde zu simulieren, was viel Zeit in der Entwicklung spart.“

Obwohl sich ihr neuer, durch KI und Modellierung ermöglichter Entwicklungspfad als reibungsloserer Prozess erwies, blieben Hürden bestehen. Laut Rizzuto war die Anleitung durch die Ingenieure von MathWorks von entscheidender Bedeutung. Beispielsweise benötigte das Schneider-Team eine Filterfunktion, um den Speicherbedarf des Algorithmus zu minimieren. Als der Firmware-Entwickler von Schneider einen benutzerdefinierten Filter benötigte, half ihm MathWorks bei dessen Entwicklung. Darüber hinaus nutzten Rizzuto und sein Team Online-Beispiele von MathWorks, um eine benutzerdefinierte Speicherklasse für die Codegenerierung zu erstellen, die die Darstellung der vom generierten Code bereitgestellten Daten auf den verschiedenen Hardwareebenen optimierte.

Als es diesmal zu den ersten Tests der Software und Hardware kam, war Rizzutos Team von seinen Ergebnissen überzeugter. Tatsächlich war das Projekt ein Triumph. Mit Model-Based Design und KI verbrachte das Team nur sechs Monate mit denselben Aufgaben, die ohne diese Ressourcen fast drei Jahre gedauert hätten. Das neue Verfahren vermied außerdem die Probleme, mit denen das Team von Schneider Electric zu Beginn konfrontiert war: die manuelle Erstellung eines Algorithmus, eine fehleranfällige Methode, ohne Möglichkeit, ihn vor dem Testen in der Hardware zu simulieren.

Seit 2021 nutzen Kunden die TeSys Giga-Schütze von Schneider Electric, ausgestattet mit der RUL-Schätzfunktion. „Dank dieser neuen Funktion können sie die Wartung dieses Produkts planen und es effizienter nutzen“, sagt Rizzuto. Sie müssen den Betrieb nicht mehr unterbrechen, um die Schütze zu überprüfen und können Reparaturen oder Ersetzungen strategisch planen. Mithilfe seines Modells kann Schneider Electric seinen Kunden nun auch kontinuierlichen technischen Support bieten und mithilfe des Modells mögliche Lösungen in nur einer Stunde simulieren.

Nahaufnahme des TeSys Giga-Schützes zeigt die LED-Anzeige zur Verschleißsignalisierung.

Durch die Kontaktverschleißdiagnose und die lokale Fehlererkennung mit LED-Anzeige ist der Austausch des Schaltmodulsatzes für den Kunden planbar. (Bildquelle: Schneider Electric)

Rizzuto sagt, dass MATLAB und Simulink nicht nur die Produktentwicklung beschleunigten, sondern auch einen reibungsloseren Arbeitsablauf zwischen den Teammitgliedern ermöglichten. Besonders herausfordernd war die Kommunikation mit einem internationalen Team und die Gewähr, dass jeder stets über den Projektstatus auf dem Laufenden blieb. Aber MATLAB und Simulink konnten diesen Schwachpunkt beheben. „Die Verwendung von MATLAB und Simulink ist eindeutig ein Vorteil, da viele Ingenieure bereits wissen, wie man diese Tools verwendet“, sagt er. Die Verwendung von Simulink zum Anzeigen der Algorithmusarchitektur bot außerdem eine gemeinsame Sprache zum Verständnis eines komplexen Algorithmus.

Die Zukunft der vorausschauenden Wartung

Durch die Kombination von KI und modellbasiertem Design konnte Schneider Electric bereits Zeit und Geld bei der Entwicklung sparen und Rizzuto und seinen Kollegen können nun auch ehrgeizigere Projekte verfolgen. Schneider Electric baut auf dem Erfolg von TeSys Giga auf und arbeitet derzeit mit der Entwicklung eines neuen Schützes an einer Verbesserung der vorausschauenden Wartung von Schützen. Dieser Schütz verfügt über eine interne Diagnosefunktion, die zusätzlich zur RUL-Schätzung angibt, welche Fehler bei den nächsten Vorgängen auftreten können.

„Die benutzerfreundliche Oberfläche dieser Tools machte sie leicht verständlich. Mit den Apps „Diagnostic Feature Designer“ und „Classification Learner“ konnte ich KI-basierte Funktionen auch ohne KI-Hintergrund erkunden.“
Silvio Rizzuto, leitender technischer Experte, Schneider Electric

„Dank ihrer benutzerfreundlichen Oberfläche waren diese Tools leicht zu verstehen“, sagt Rizzuto. „Mit den Apps Diagnostic Feature Designer und Classification Learner konnte ich KI-basierte Funktionen auch ohne KI-Hintergrund erkunden.“ Die Classification Learner-App beschleunigte die Modellgestaltung und beschleunigte so die KI-Entwicklung weiter. „In weniger als einem Monat konnte ich einen Echtzeit-Prototyp für die eingebettete Wartungsfunktionalität unserer Schütze erstellen“, fügte er hinzu, was seine Entwicklungsmanager beeindruckte.

Im neuen Schütz, bei dem es sich vorerst noch um einen Prototyp handelt, wird die Diagnosefunktion von einem mittleren neuronalen Netzwerk angetrieben, das Kunden auf auftretende Wartungsprobleme aufmerksam macht. Diese zusätzliche Funktion stärkt den Schutz der Kunden vor unvorhersehbaren Geräteschäden, Produktionsverzögerungen und Ausschuss.

Screenshot des Histogramms des Diagnostic Feature Designer.

Der Diagnostic Feature Designer und seine multifunktionale grafische Benutzeroberfläche ermöglichten es dem Team, KI-basierte Funktionen auch ohne KI-Hintergrund zu erkunden.

Weitere Berichte lesen

MACHINE LEARNING