9. Oktober 2024
Neues KI-Modell verhindert Schäden an industriellen Leitungen
FIAS-Forscherteam erzielt hohe Genauigkeit bei der Erkennung von Kavitationen
Dampfblasen sind in Industrieanlagen gefürchtet. Sie entstehen in Leitungen, wenn Flüssigkeit unter Druck anfängt zu sieden oder zu verdampfen. Die sich bildenden und schlagartig zusammenfallenden Blasen schaden Pumpen und Geräten. Eine Forschergruppe am FIAS stellt nun einen neuartigen Ansatz zur Erkennung dieser „Kavitationen“ vor, der das industrielle Rohrleitungsmanagement deutlich verbessern könnte. Alle Branchen mit Flüssigkeitssystemen wie Wasser, Energie und Fertigung könnten davon profitieren.
Unter der Leitung von FIAS-Fellow Kai Zhou stellt Doktorand Yu Sha in einer aktuellen Studie in der renommierten Fachzeitschrift „Expert Systems with Applications“ das Sub-Master Transition Network (SMTNet) vor. Dahinter verbirgt sich ein innovatives Deep-Learning-Modell, das die kritischen Grenzen aktueller Methoden zur Erkennung solcher Kavitationen überwindet. Die sich in Flüssigkeiten bildenden und kollabierenden Dampfblasen können Industrieanlagen erheblich schädigen. Der vom SMTNet entwickelte Ansatz bietet eine genaue Methode zur Erkennung der Kavitationsintensität, wodurch die Industrie möglicherweise Millionen Euro für Wartungskosten und Ausfallzeiten einsparen kann.
Zu den wichtigsten Innovationen des SMTNet gehört ein mehrstufiger Mechanismus, der die optische Kavitationserkennung von Experten nachahmt, aber gleichzeitig intuitivere und genauere Klassifizierungen ermöglicht. Zudem signalisiert eine Filterstufe langfristige Veränderungen mit akustischen Signalen und erfasst feine Muster, die anderen Modellen entgehen. Ein spezieller Netzwerkbaustein misst sensible Merkmale akustisch. Zudem bildet eine mehrstufige Baumstruktur die Struktur von Kavitationszuständen ab und liefert damit informativere und besser interpretierbare Ergebnisse.
Das SMTNet-Modell wurde an drei realen Kavitationsdatensätzen des Ventiltechnikherstellers Samson AG in Frankfurt eingehend getestet und zeigte dabei eine bemerkenswerte Leistung. Es erreichte eine Genauigkeit für Kavitation von bis zu 100 Prozent und übertraf damit bestehenden Methoden deutlich.
Der Ansatz stellt einen Paradigmenwechsel in der Erkennung und Klassifizierung von Kavitationsereignissen dar. Die Forschungsgruppe nutzt die hierarchische Natur von Kavitationszuständen, um ein Modell zu entwickeln, das nicht nur die aktuellen Methoden übertrifft, sondern auch Ergebnisse liefert, die besser mit den Vorstellungen von Fachleuten auf dem Gebiet der Kavitation übereinstimmen. Dieser Durchbruch hat weitreichende Auswirkungen auf Branchen, die auf Flüssigkeitssysteme angewiesen sind, darunter die Wasserwirtschaft, die Energieerzeugung und die Fertigung. Die verbesserte Genauigkeit und Interpretierbarkeit des SMTNet-Modells verspricht eine verbesserte Wartungsstrategien, weniger Anlagenausfälle und verbesserte Gesamtsystemeffizienz.
„Es gibt noch Raum für Verbesserungen, insbesondere bei der Erkennung von beginnender Kavitation in einigen Szenarien“, räumt Zhou ein. „Unsere künftigen Forschungsarbeiten werden sich auf die weitere Verfeinerung des Modells und die Entwicklung einer direkten Ein-Schritt-Methode für die Erkennung der Kavitationsintensität konzentrieren“. Die aktuelle Studie sei bereits ein bedeutender Schritt nach vorne.
Publikation: Shuiping Gou,Yu Sha, Bo Liu, Ningtao Liu, Johannes Faber, Stefan Schramm, Horst Stoecker, Thomas Steckenreiter, Domagoj Vnucec, Nadine Wetzstein, Andreas Widl, Kai Zhou, Hierarchical cavitation intensity recognition using Sub-Master Transition Network-based acoustic signals in pipeline systems. Systems with Applications, Volume 258, 2024, 125155, ISSN 0957-4174, 125155. https://doi.org/10.1016/j.eswa.2024.125155.
