Wie Störungen entdeckt und Gegenmaßnahmen eingeleitet werden
von Thomas Weimar
Die Vorteile des Drohneneinsatzes bei der Überwachung und Entstörung von Anlagen, Stromnetzen oder Wasserstraßen sind groß. Wenn zusätzlich auch noch KI-Software hilft, Anomalien zu identifizieren, und eine durchgehende Automation des Prozesses ermöglicht, lassen sich Zeit und Geld sparen – bis zur Minimierung des CO2-Fußabdrucks.
Bisher setzten Netzbetreiber, kommunale Betriebe oder industrielle Unternehmen Helikopter ein, wenn es galt, unübersichtliche oder großflächige Areale wie etwa Energieerzeugungsanlagen und Versorgungsnetze, Wasserstraßen oder Industrieanlagen zu überwachen.
Die Kontrollflüge waren kein leichtes Unterfangen: Helikopter und Piloten mussten koordiniert werden; Betriebs- und Überflugsgenehmigungen waren zu besorgen, Wetter- und Geodaten zu analysieren – um nur die wichtigsten Rahmenfaktoren zu nennen. Nach dem Überflug kehrten Pilot und Begleiter mit einer Menge an Fotos und den Eindrücken auf die besichtigten Objekte zurück. Dann erst konnte die Auswertung erfolgen und etwaige Maßnahmen ergriffen werden.
Die Drohne ändert jetzt alles. Genauer gesagt: die Drohne, die mit künstlicher Intelligenz an Bord allein ihre Kreise über definierte Zielobjekte fliegt. Auch wenn es weiterhin notwendig ist, Genehmigungen einzuholen und Daten zusammenzutragen, hat die Digitalisierung des Inspektions- und Instandhaltungsprozesses mit der Drohne einen riesigen Sprung gemacht.
Heute ist es möglich, den ganzen Ablauf eines Prüfflugs von Anfang bis Ende zu automatisieren: von der Bestellung der Drohne über die Auswertung ihrer Kamerabilder in Echtzeit bis zum Auftrag an den Servicetechniker, der sich gegebenenfalls auf den Weg machen muss. Selbst die Routenbeschreibung, die Ersatzteilorder und die Reparaturanleitung lassen sich in die Anwendung integrieren. Bereits heute kann eine Augmented-Reality-Brille den Servicetechniker bei seiner Wartungs- oder Reparaturarbeit vor Ort anleiten.
Während es im Bereich von modernen Betriebswirtschaftslösungen in Unternehmen heute oft schon zu den Selbstverständlichkeiten gehört, dass verschiedene Prozessschritte automatisiert sind, hat ein herkömmlicher Inspektionsflug noch viele Medienbrüche: Bisher wurden Kamerabilder, die per Helikopter geschossen wurden, per Augenschein kontrolliert. Wurden Abweichungen entdeckt, nahmen Mitarbeiter den Tatbestand auf und leiteten zum Beispiel die Entstörungs-Maßnahmen ein. Meist benötigte jeder Vorgang einen manuellen initialen Anstoß im System. Erst recht konnte die Auswertung der Bilder nur der Mensch vornehmen.
Die Technik der künstlichen Intelligenz (KI) eröffnet nun völlig neue Anwendungspotenziale: Mithilfe der KI-Technik des Machine Learnings ist es heute möglich, auch den Kern der Störungsidentifikation, die Auswertung der Kamerabilder, zu automatisieren. Multispektral-Kameras und Sensoriksysteme erfassen die vorgegebene Geländeregion oder die schlecht einsehbare Industrieanlage und geben die Informationen in das KI-System, das „Unusual Detection System“, ein.
Das selbstlernende System, das vorher studiert hat, welche Bildmuster normal und welche unnormal sind – und sich kontinuierlich „weiterbildet“ –, vergleicht den Normalzustand und die aktuellen Bilder und entdeckt selbstständig die Unterschiede. Die Analyse kann sogar in Echtzeit, also bereits in der Luft, vorgenommen werden. So werden praktisch im Vorbeiflug Objekte und Umgebungen gescannt, Anomalien erkannt und sofort Gegenmaßnahmen initiiert. (Siehe Erklärkasten.)
Herzstück der Drohnenanwendung: künstliche Intelligenz
Die Analyse-Umgebung der „Unusual State Detection (USD)“-Technologie (von BTC) arbeitet auf Grundlage von Deep-Learning-Verfahren. Konkret handelt es sich dabei um mehrschichtige neuronale Netze. Das USD-System zeichnet sich durch seinen selbstständigen Wissenserwerb aus. Dazu wird die Software in einem ersten Schritt mit historischen Daten gefüttert, aus denen KI-Experten der BTC ein Modell ableiten, das trainiert wird, implizite Abhängigkeiten in den Sensordaten zu erkennen.
Mit dem trainierten Wissen ist das USD-Modell in der Lage, Unstimmigkeiten als Anomalien vom Normalverhalten zu detektieren. Fachleute können das gemeldete unbekannte Muster eines Zustandsbilds aufrufen und mit ihrer Expertise einordnen und damit die Wissensbasis des Werkzeugs verbreitern. Das Werkzeug wird über die Zeit in der Beurteilung von Abweichungen und Fehlerzuständen „intelligenter“.
Neben der allgemeinen Funktion zum Bildmustervergleich ist der Drohnen-Service (von BTC) zusätzlich mit „Wissen“ gefüllt, um beispielsweise Erdarbeiten oder Baumaschinen in den Aufnahmen automatisch zu erkennen.
Ohne Unterstützung durch die automatisierte Mustererkennung wäre eine so schnelle manuelle Entdeckung einer Unregelmäßigkeit und ihre Bewältigung aus personellen und zeitlichen Gründen kaum zu bewerkstelligen. Dabei ist es nicht allein die Erfindung der Drohne, die in Kombination mit Machine Learning den Erfolg der Anwendung ausmacht: Die Orchestrierung der verschiedenen Komponenten und ihr Zusammenspiel wird durch die Cloud, in der die Services der Instandhaltung und Analyse liegen und abgerufen werden können, wesentlich erleichtert.
Auch wenn der intelligente Drohneneinsatz seinen Preis hat und z. B. ebenfalls Piloten am Boden benötigt, ist er im Vergleich zum Helikopter eine finanziell attraktive Alternative: Sach- und Personalkosten lassen sich einsparen und Gegenmaßnahmen sind zeitnah möglich. Auch der CO2-Fußabdruck ist kleiner. Und wer die Auswertungen genauer betrachtet, kann auch Ausfallraten reduzieren und die Anlageneffizienz bzw. Produktivität seiner Anlagen erhöhen. //
Informationen und Kontakt zum Autor
This content is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International license.