一個新的維護系統正在幫助使傳感器變得智能。薩爾大學的AndreasSchütze教授領導的研究小組正在將人工智能與傳感器相結合，以收集工業機械的狀態數據。該系統能夠檢測損壞，磨損和錯誤狀態，并且還能夠唯一地識別何時出現了以前未知的機器狀態，向它們學習并分配給它們的根本原因。這種方法為中小型公司提供了一種自動化其機器維護和維修操作的方法，使他們能夠更精確地計劃并避免令人不快的意外。

大量的傳感器不斷從當今的工業機械中收集數據。從這些龐大的數據集中可以學到很多東西。當機器正常運行時，其振動，搖動，嗡嗡聲或加熱的方式是該設備獨有的。但是，當機器組件開始磨損時，這些特征會發生細微變化。微小的溫度波動，振動行為的微小變化，測量數據的微小變化都可以作為預警信號可以指示組件何時開始顯示磨損跡象。因此，至關重要的是能夠檢測正在生成的數據中的這些細微變化。薩爾大學的測量和傳感器技術專家AndreasSchütze教授解釋說：“單個傳感器可以在短短幾天內生成TB的原始數據。”但是，除了檢測這些變化之外，了解如何解釋它們也同樣重要。

Schütze和他的團隊一直在與工業界和學術界的合作伙伴合作開發一種系統，該系統能夠從生成的大量數據中提取有用的信號數據。“通過為特定的損壞，磨損或錯誤狀態單獨分配信號模式，該系統可以使機器的狀態永久可見，” AndreasSchütze說。該程序連續將實時傳感器數據與與正常機器運行相關的數據以及表示初期故障或新出現的磨損缺陷的典型信號模式進行比較。如果系統檢測到這些信號模式之間的差異，它將通知設備操作員并指示如何響應。

該系統甚至能夠檢測未知故障，從中學習，然后將這些故障分配給其相應的根本原因。這是全新的東西。到目前為止，基于AI的監視系統還無法評估以前未知的事件。“人工智能通過模式識別起作用。如果發生了一些全新的事情，并且系統無法識別這種新穎的模式，那么它將有效地達到其功能極限。我們已經將系統開發到可以識別狀態的級別。之前從未遇到過，并且可以相應地通知操作員。” AndreasSchütze解釋說。技術術語是“新穎性檢測”。如果一個新穎的事件開始頻繁出現，并且有更多可用的數據可用，

在多個研究項目的過程中，Schütze的小組從大量的測量數據中濾除了與機器行為變化或機器損壞相關的信號模式。然后，他們創建了數學模型，其中包括傳感器故障的仿真，并使用這些模型來教他們的系統。該程序利用機器學習技術自動獲取新知識并檢測與正常行為的偏差。目前正在對該新系統進行研究的博士生Tizian Schneider解釋說：“這些算法還將最近獲取的數據納入其分析中。因此，該系統有可能檢測并解釋異常情況。”

系統生成的知識可以鏈接到其他AI功能，例如自動訂購備件。這使得在大型或難以接近的工廠機械上計劃維護操作變得更加容易。該系統還能夠以易于理解的形式將信息傳輸給人工維護人員。為了確保維護人員能夠正確解釋數字數據，Schütze的團隊還研究了將數據轉換為用戶有用信息的方法。Tizian Schneider解釋說：“該系統將信息分解為既相關又易于維護人員理解的形式。”

Schütze和他的團隊現在希望幫助中小型公司熟悉新技術。研究人員在薩爾布呂肯ZeMA基地的“ Mittelstand 4.0能力中心”進行培訓課程，該中心由聯邦經濟和能源部資助。他們目前正在開發專門針對中小型公司的基于AI的輔助系統。“對于那些希望利用數字化來提高競爭力的中小型企業而言，該系統特別有吸引力。”AndreasSchütze解釋說。