一个新的维护系统正在帮助使传感器变得智能。萨尔大学的AndreasSchütze教授领导的研究小组正在将人工智能与传感器相结合，以收集工业机械的状态数据。该系统能够检测损坏，磨损和错误状态，并且还能够唯一地识别何时出现了以前未知的机器状态，向它们学习并分配给它们的根本原因。这种方法为中小型公司提供了一种自动化其机器维护和维修操作的方法，使他们能够更精确地计划并避免令人不快的意外。
大量的传感器不断从当今的工业机械中收集数据。从这些庞大的数据集中可以学到很多东西。当机器正常运行时，其振动，摇动，嗡嗡声或加热的方式是该设备独有的。但是，当机器组件开始磨损时，这些特征会发生细微变化。微小的温度波动，振动行为的微小变化，测量数据的微小变化都可以作为预警信号可以指示组件何时开始显示磨损迹象。因此，至关重要的是能够检测正在生成的数据中的这些细微变化。萨尔大学的测量和传感器技术专家AndreasSchütze教授解释说：“单个传感器可以在短短几天内生成TB的原始数据。” 但是，除了检测这些变化之外，了解如何解释它们也同样重要。
Schütze和他的团队一直在与工业界和学术界的合作伙伴合作开发一种系统，该系统能够从生成的大量数据中提取有用的信号数据。“通过为特定的损坏，磨损或错误状态单独分配信号模式，该系统可以使机器的状态永久可见，” AndreasSchütze说。该程序连续将实时传感器数据与与正常机器运行相关的数据以及表示初期故障或新出现的磨损缺陷的典型信号模式进行比较。如果系统检测到这些信号模式之间的差异，它将通知设备操作员并指示如何响应。
该系统甚至能够检测未知故障，从中学习，然后将这些故障分配给其相应的根本原因。这是全新的东西。到目前为止，基于AI的监视系统还无法评估以前未知的事件。“人工智能通过模式识别起作用。如果发生了一些全新的事情，并且系统无法识别这种新颖的模式，那么它将有效地达到其功能极限。我们已经将系统开发到可以识别状态的级别。之前从未遇到过，并且可以相应地通知操作员。” AndreasSchütze解释说。技术术语是“新颖性检测”。如果一个新颖的事件开始频繁出现，并且有更多可用的数据可用，
在多个研究项目的过程中，Schütze的小组从大量的测量数据中滤除了与机器行为变化或机器损坏相关的信号模式。然后，他们创建了数学模型，其中包括传感器故障的仿真，并使用这些模型来教他们的系统。该程序利用机器学习技术自动获取新知识并检测与正常行为的偏差。目前正在对该新系统进行研究的博士生Tizian Schneider解释说：“这些算法还将最近获取的数据纳入其分析中。因此，该系统有可能检测并解释异常情况。”
系统生成的知识可以链接到其他AI功能，例如自动订购备件。这使得在大型或难以接近的工厂机械上计划维护操作变得更加容易。该系统还能够以易于理解的形式将信息传输给人工维护人员。为了确保维护人员能够正确解释数字数据，Schütze的团队还研究了将数据转换为用户有用信息的方法。Tizian Schneider解释说：“该系统将信息分解为既相关又易于维护人员理解的形式。”
Schütze和他的团队现在希望帮助中小型公司熟悉新技术。研究人员在萨尔布吕肯ZeMA基地的“ Mittelstand 4.0能力中心”进行培训课程，该中心由联邦经济和能源部资助。他们目前正在开发专门针对中小型公司的基于AI的辅助系统。“对于那些希望利用数字化来提高竞争力的中小型企业而言，该系统特别有吸引力。” AndreasSchütze解释说。
