Vorträge

• Fehlerdetektion in Gasturbinen

  Franziska Albers ( The MathWorks GmbH, MAN Energy Solutions SE )

  MAN Energy Solutions SE ist ein deutsches internationales Unternehmen, das unter anderem Gasturbinen für mechanische Antriebe und die Stromerzeugung herstellt. Die Gasturbinen werden oft in entlegenen Gebieten eingesetzt, wo ein Ausfall der Maschine schwerwiegende Folgen haben kann.
  Im Jahr 2020 hat MAN Energy Solutions SE gemeinsam mit MathWorks Consulting einen Proof of Concept für ein maschinelles Lernverfahren zur Erkennung von Fehlerzuständen in Gasturbinen durchgeführt. Ziel war es, den zeitaufwändigen Prozess der Visualisierung und manuellen Auswertung von gemessenen Sensordaten zu automatisieren, um Fehlerzustände in Gasturbinen frühzeitig zu erkennen. Da reale Sensordaten ungelabelt sind und Fehlerfälle nur verhältnismäßig selten auftreten, wurden simulierte Gasturbinendaten erzeugt. Es wurden zwei Datensätze generiert: ein umfassender gerasterter Satz für Training und Validierung und ein zufälliger Satz für die Prüfung.
  Mit dem Trainingsdatensatz wurde in MATLAB ein Modell erstellt, das die Fehlerart und die Fehlergröße mit hoher Genauigkeit durch maschinelles Lernen vorhersagt. Das Modell ist eine Kombination aus einem Klassifikator (zur Vorhersage der Fehlerart) und einem Regressionsmodell (zur Vorhersage des Fehlerausmaßes). Anschließend wurde das Modell anhand der Testdaten getestet (Klassifizierungstestfehler <10%).

• Saving Heat Energy and CO2 with Smart Thermostats

  Sofia Lanetskaya, Arkadi Schelling ( vilisto )

  Occupancy Detection is a machine learning task that uses sensor data from a room to classify timespans when the room is occupied by one or multiple people, and timespans when it is vacant. This task allows to implement a demand-based heating system relying on remotely controlled thermostats with integrated sensors. vilisto's solution shows to save up to 30% of heat energy. It proves an effective measure against climate change and dependency of natural gas. Meanwhile, we have to manage challenges of broken sensors, messy data, data drift and data protection.

• Projektidee: AI für die Circular Economy

  Florian Andrews ( Grüner Hering - Agentur für Circular Economy )

  Die Transformation der linearen in die zirkuläre Wirtschaft stellt die einzelnen Unternehmen vor große Herausforderungen. Denn die Forderung, sich auf den Werterhalt von Produkten, Angeboten und Materialien zu fokussieren, lässt sich leichter stellen als umsetzen. Denn z.B. das Design für den längeren Gebrauch eines Produktes bedeutet möglicherweise Reparaturfähigkeit, dazu neue Schnittstellen und Prozesse zur Weiter- oder Rückgabe der Produkte und damit auch neue Anforderungen an Geschäftsmodelle und Kommunikation.
  Im weltweiten Vergleich gibt es Unternehmen, die sind in der Erfüllung dieser neuen Anforderungen schon recht weit. Hinzu kommen Forschungsprojekte von Wissenschaft und Praxis, in denen die o.g. Aspekte durchdacht und mit neuen Lösungsansätzen umgesetzt wurden.
  Doch das Problem ist: Es gibt bislang keine Datenbank, die den Unternehmen ermöglicht, systematisch nach Good Practice zu suchen, davon zu lernen und so eigene Schritte in der Transformation einzuleiten. Natürlich gibt es zahlreiche Datenbanken, in denen Ergebnisse gesammelt werden: [1] oder [2]. Doch die Datenbanken sind sehr divers und nicht vergleichbar.
  Die Frage ist also: Kann machine learning den Unternehmen helfen, die richtigen und passenden Lösungen für ihre Transformation zu finden? Und wenn ja, wie?