Datenerhebung und Modellbildung

Daten bilden die Grundlage für Use Cases wie Condition Monitoring, Diagnose, Predictive Maintenance und Optimierung. Wertvolle Informationen zu Verschleiß, Fehlerursachen und Optimierungspotentialen sind in den Prozessdaten von Maschinen und Anlagen enthalten. Diese Informationen bleiben heute jedoch oft ungenutzt, da die Menge und Komplexität der Daten zu hoch sind und vom Menschen nicht ohne technische Unterstützung ausgewertet werden können.

Wir entwickeln Lösungen zur einfachen Erfassung, Verwaltung, Visualisierung und Analyse großer industrieller Datenmengen. Zur Analyse der Daten werden Methoden des maschinellen Lernens und der künstlichen Intelligenz angewendet, um Verhaltensmodelle zu trainieren. Ziel der Modelle ist eine automatisierte Extraktion von Informationen aus Prozessdaten.

In den Projekten ML4Pro² und CLArA werden Methoden entwickelt und angewendet, um große Datenmengen aus den Produktionsanlagen zu extrahieren und zeitbehaftete Verhaltensmodelle auf den Daten zu trainieren.

Im Projekt W-Net 4.0 wird eine modulare und skalierbare Plattform für Wasserversorgungsunternehmen entwickelt, welche neben GIS-System und Simulationssoftware vor allem zur Datenanalyse verwendet werden kann. Die Plattform ist speziell auf kleine und mittlere Unternehmen zugeschnitten.

Für das Projekt ML4Heat werden maschinelle Lernverfahren entwickelt, welche den Betrieb bestehender Fernwärmenetze unter energetischen und wirtschaftlichen Gesichtspunkten optimieren.  Hierzu werden vor allem Sensor- und Betriebsdaten der Fernwärmeübergabestationen verwendet, welche miteinander fusioniert und ausgewertet werden.