Kaskade mit Instrumentierung im Transsonischen Gitterwindkanal Köln (TGK, Institut AT)
Bild: 2/3, Credit:
DLR AT-FUV
MSTVAE
MSTVAE Feature Erkennung, Training und Klassifikation
Bild: 3/3, Credit:
Pham, T.-A.; Lee, J.-H.; Park, C.-S. MST-VAE: Multi-Scale Temporal Variational Autoencoder for Anomaly Detection in Multivariate Time Series. Appl. Sci. 2022, 12, 10078. https://doi.org/ 10.3390/app121910078.
Laufzeit: 2023-2025
An intelligenten Sensorsystemen und deren Absicherung für automatisierte und autonome Anwendungen wird im Impulsprojekt SAFER² geforscht. Ziel ist die Integration von Sensortechnologie und künstlicher Intelligenz, um sowohl Leistung als auch Zuverlässigkeit in unterschiedlichen Anwendungsgebieten zu steigern. Das Projekt wird im Zeitraum vom 01.01.2023 bis zum 31.12.2025 durchgeführt.
Unter der Leitung des Instituts für Aerodynamik und Strömungstechnik (DLR AS) beinhaltet SAFER² die kollaborative Expertise von 13 Instituten und Einrichtungen. Mit Schwerpunkten in den DLR-Bereichen Luftfahrt, Energie und Verkehr werden Synergien genutzt um das Potenzial der technologischen Entwicklungen voll auszuschöpfen.
Ein Highlight des Projekts sind die fünf Demonstratoren, die eine hardware-basierte Umsetzung und Demonstration der entwickelten Technologien sicherstellen. Dabei liegt ein besonderer Fokus darauf, keine unabhängigen Entwicklungen ohne konkreten Bezug durchzuführen, sondern die Anwendbarkeit und Relevanz der Ergebnisse sicherzustellen.
Die fünf Demonstratoren sind:
▪ AI for Mobility ▪ Windenergieblatt ▪ Aeroelastischer Tragflügel ▪ Vereisung von Starr- und Drehflüglern ▪ Virtuelle Turbomaschinen-Sensoren
Das Hauptziel ist das Zusammenbringen von im DLR vorhandenen Kernkompetenzen aus dem Bereich der Sensorik und der Künstlichen Intelligenz zur Erarbeitung von fusionierten Ansätzen, die auf das Ziel der „Sensor Data Consistency“ ausgerichtet sind.
Unser Institut für Bauweisen und Strukturtechnologien (DLR BT) arbeitet gemeinsam mit dem Institut für Antriebstechnik (DLR AT), dem Institut für Aeroelastik (DLR AE), Institut für CO2-arme Industrieprozesse (DLR DI) und dem Institut für Datenwissenschaften (DLR DW) am Demonstrator „Virtuelle Turbomaschinen-Sensoren“. Der Fokus der Arbeiten liegt auf der intelligenten Fehler- und Ausreißer-Erkennung sowie Rekonstruktion kompromittierter Sensordaten, der Entwicklung eines „Virtuellen Sensors“ zur Erfassung signifikanter Systemparameter aus Korrelationen der einzelnen physikalischen Sensoren, mit dem Ziel der Steigerung der Datenqualität, Prüfstandverfügbarkeit und System-Sicherheit.
Als Demonstrator und zur Datengenerierung dient der Transsonische-Gitterwindkanal (TGK) am DLR Standort Köln, welcher im regelmäßigen und kontinuierlichen Testbetrieb steht und zugleich eine gute messtechnische Zugänglichkeit sowie ein großes Spektrum an Instrumentierung bietet. Dazu gehören u.a. Drucksensoren, Dehnungsmesstreifen (DMS) und optische Verfahren wie Laser-2-Fokus Technik (L2F), Particle Image Velocimetry (PIV) und instationäre Schlierenmessung.
Die Ziele der Fehler- und Ausreißer-Erkennung sowie Rekonstruktion kompromittierter Sensordaten, werden im ersten Entwicklungsschritt auf Basis eines Multi-Scale Temporal Variational Autoencoders (MSTVAE) und einer am DLR intern entwickelten Routine zur Anomalieerkennung realisiert. Ausschlaggebend für die Güte des Machine-Learning Modells ist neben dem Training die Aufbereitung und Analyse der Trainingsdaten, welche die Klassifizierung der auftretenden Anomalien, sowie die künstliche Einbringung generischer Fehlercharakteristiken beinhaltet. Des Weiteren sollen die in den Trainingsdaten hinterlegten und im Latent Space konzentrierten Informationen, wie physikalische Zusammenhänge und Korrelationen ausgenutzt werden, invasive Sensorik zu reduzieren, mittels Virtuellem Sensor das Systemverhalten vorherzusagen und somit die Ziele der Prüfstandverfügbarkeit und System-Sicherheit zu realisieren.
