Referenz
IoT: Den Stromverbrauch senken mit KI
In den letzten Jahren sind die Energiepreise erheblich gestiegen. Dieser Trend wird voraussichtlich anhalten. Um die laufenden Stromkosten zu optimieren, rĂŒckt eine effektive und automatisierte Ăberwachung des Energieverbrauchs darum mehr und mehr in das Interesse produzierender Unternehmen. Auch in der Automobilbranche.
KI-optimiertes Energiemanagement
Ein guter Weg zur Reduktion des Energieverbrauchs ist das Erkennen unnötiger MehrverbrĂ€uche in den ProduktionsstĂ€tten â Beleuchtung bei Nacht, Heizen im Sommer, Leckagen in Druckluftanlagen usw.
Hier setzt die automatisierte Anomalieerkennung an. Methoden der KĂŒnstlichen Intelligenz bzw. des Maschinellen Lernens erlauben es uns, Muster in den Verbrauchsdaten verschiedenster IoT-GerĂ€te zu erkennen und Abweichungen vom normalen Betrieb festzustellen.
Herausforderung
Unser Kunde ist im Luxussegment der Automotivebranche weltweit renommiert. Doch auch er steht angesichts hoher Energiepreise hierzulande unter groĂem Kostendruck. Um den Stromverbrauch in seinen IoT-Anlagen signifikant zu senken, waren innovative Ideen gefragt. Wir haben sie geliefert.
Lösungsweg
KĂŒnstliche Intelligenz bietet hervorragende Möglichkeiten, um Prozesse zu optimieren, Ressourcen zu schonen, die Wertschöpfung zu steigern. In diesem Projekt ist sie ein wirkungsvolles Instrument, versteckte und vermeidbare Kostentreiber zu identifizieren und unschĂ€dlich zu machen. Wir machen es vor.
Ergebnis
Mit DBSCAN, K-means Clustering und Wavelet-Transformation haben wir beim Kunden drei leistungsstarke KI-Algorithmen implementiert, um Anomalien im Stromverbrauch transparent zu machen und das komplette Energiemanagement der IoT-Anlagen zu optimieren.
Ăkonomie und Ăkologie im Einklang
Die Erkennung und Behebung solcher Anomalien reduziert langfristig den Energiebedarf und fĂŒhrt so nicht nur zu finanziellen Einsparungen beim Stromverbrauch, sondern auch bei den CO2-Emissionen. Denn auch die sind ein Kostenfaktor, seit es die CO2-Bepreisung gibt. Wer also etwas fĂŒrs Klima tut, tut gleichzeitig etwas fĂŒr die Kosteneffizienz!
Im Folgenden werden wir uns auf Daten bestehender IoT-MessgerĂ€te in einem unserer Projekte fokussieren: Strom, Gas, Wasser, Druckluft usw. (kurz ZĂ€hler) und an ihrem Beispiel einen Einblick in verschiedenste Methoden der Anomalieerkennung geben. Dabei widmen wir uns zunĂ€chst dem Finden von Datenfehlern und gehen anschlieĂend genauer auf die Anomalieerkennung ein.
QualitÀt von IoT-Daten verbessern
Das Verhalten von ZĂ€hlern ist simpel: Wird beispielsweise Strom verbraucht, erhöht sich der ZĂ€hlwert. Wird kein Strom verbraucht, bleibt der ZĂ€hler auf dem aktuellen Stand. Darum sollten wir eigentlich mit monoton wachsenden Daten arbeiten können. Denkt man! Denn das Wort „eigentlich“ ist hier bewusst gewĂ€hlt, da ZĂ€hler in der Tat Messfehler aufweisen. Das senkt die DatenqualitĂ€t teils erheblich – und dadurch auch die QualitĂ€t der Anomalieerkennung.
Zu den hĂ€ufigsten Messfehlern zĂ€hlen etwa Maximalwerte (Spitze in den Messwerten), falsche ZĂ€hlrichtung (fallende Messwerte), Kommunikationsfehler (fehlende Messwerte) oder auch Nullungen (keine Messwerte ĂŒber lĂ€ngeren Zeitraum).
Hier hilft uns das Wissen, dass ZÀhler monoton wachsende Messwerte liefern sollten. Weichen Messwerte also stark von diesem Verhalten ab, können sie als fehlerhaft angesehen und bereinigt werden.
DafĂŒr kommen bei Porsche jetzt verschiedene KI Methoden zum Einsatz. Beispielsweise nutzen wir hier EntscheidungsbĂ€ume in Kombination mit Grenzwerten oder Trendanalysen, um diese Fehler zu erkennen. Eine Behebung dieser Fehler sollte indes immer domĂ€nenspezifisch erfolgen, um möglichst realitĂ€tsnahe Daten zu erzeugen.
Lineare Interpolation
Eine Möglichkeit ist die lineare Interpolation. Dabei schÀtzen wir fehlende Messwerte, indem wir eine Linie zwischen den uns bekannten Messwerten ziehen. Anhand dieser Geraden können wir dann die durchschnittliche Position der fehlenden Messwerte im VerhÀltnis zur Position der bekannten Messwerten approximieren.
Es können natĂŒrlich auch andere Arten der Interpolation angewendet werden.
Eine weitere Möglichkeit ist die schlichte Markierung von Fehlern – ohne deren direkte Behebung. Dies ermöglicht uns deren BerĂŒcksichtigung in der Anomalieerkennung: So kann das erhöhtes Auftreten von Fehlern wie Nullungen oder eine falsche ZĂ€hlrichtung etwa auf einen defekten ZĂ€hler hinweisen.
Beginnen wir also mit der eigentlichen Anomalieerkennung.
Anomalien in den Messwerten finden
Messwerte vs. Verbrauchswerte
Zur Erkennung von Anomalien mĂŒssen wir zunĂ€chst entscheiden, womit wir arbeiten wollen: ob direkt mit den puren Messwerten, also ohne Vorverarbeitung, oder mit den Verbrauchsdaten, also den Messwerten zum Zeitpunkt t minus Messwert zum Zeitpunkt t – 1).
Verbrauchsdaten haben den Vorteil, dass die eigentliche Höhe des ZĂ€hlerstands keine Rolle spielt, sondern nur die Ănderung der Werte betrachtet wird. Das macht die Verbrauchsdaten unterschiedliche ZĂ€hler vergleichbar. Daher empfehlen wir die Nutzung von Verbrauchsdaten anstelle der eigentlichen Messwerte.
.
Machine Learning mit rohen Trainingsdaten
Nach der Entscheidung fĂŒr Messwerte oder Verbrauchswerte findet die eigentliche Erkennung von Anomalien statt. Hierbei setzen wir auf unĂŒberwachte maschinelle Lernverfahren aka Maschine Learning. Bei diesen Methoden werden ungelabelte, also rohe Trainingsdaten verwendet. Das sind Trainingsdaten, in denen bestehende Anomalien nicht bereits vorher durch Experten markiert worden sind. Wir setzen hier bewusst auf unĂŒberwachte Methoden, um die benötigten Ressourcen zur Erstellung eines gelabelten Trainingsdatensatzes zu reduzieren. Aus diesen Trainingsdaten werden nun Features aka Eigenschaften berechnet, um daraus Anomalien abzuleiten.
.
KI-Algorithmen zur Anomalieerkennung
Beispiel anhand eines DruckluftzÀhlers:
Betrachten wir dafĂŒr eine typische Arbeitswoche mit folgenden Features: 1. der durchschnittliche Verbrauch im Produktionszeitraum, 2. der durchschnittliche Verbrauch im produktionsfreien Zeitraum*, 3. der Trend oder der maximale Wert des Wochenverbrauchs.
*Dieser sollte 0 sein, weil im produktionsfreien Zeitraum keine Druckluft benötigt wird.
Um anhand dieser Features eine bestmögliche Erkennung von Anomalien zu ermöglichen, setzen wir auf eine Kombination aus mehreren Methoden, die in den nÀchsten Abschnitten kurz erlÀutert werden.
Damit wĂ€re ein groĂer Schritt in Richtung eines verantwortlichen Umgangs mit der endlichen Ressource Kunststoff getan.
Die drei Algorithmen im Einzelnen:
DBSCAN
Der Algorithmus Density-Based Spatial Clustering of Applications with Noise (DBSCAN) spĂŒrt in Daten zusammenhĂ€ngende Gruppen, so genannte Cluster, auf â und zwar basierend auf dem Abstand der Trainingsdatenpunkte zueinander. Neue Cluster werden dann gefunden, wenn genĂŒgend Datenpunkte vorhanden sind, deren maximale Distanz zueinander einen definierten Grenzwert nicht ĂŒbersteigt. Dies hat den Vorteil, dass Cluster verschiedenster Formen gefunden werden können. Sollte die Anzahl der gefundenen Cluster von der erwarteten Anzahl abweichen, kann es sich um eine Anomalie handeln.
K-Means Clustering + Silhouettenkoeffizient
K-Means-Clustering sucht nach K (z. B. 5) Clustern in den Trainingsdaten. Dazu werden zunĂ€chst K Trainingsdatenpunkte als initiale Clusterzentren ausgewĂ€hlt. Diese Clusterzentren werden dann sukzessive verschoben, bis die AbstĂ€nde der Trainingsdaten zu den Clusterzentren minimal sind. Zur Erkennung von Anomalien werden verschiedene Werte fĂŒr K genutzt und anschlieĂend bestimmt, welches K das beste Ergebnis liefert.
HierfĂŒr nutzen wir den Silhouettenkoeffizient. Dieser betrachtet zum einem den Abstand der Datenpunkte in einem Cluster zueinander und den Abstand der Cluster selbst. Sollten die Datenpunkte dicht beieinander und die Cluster weit voneinander entfernt sein, ist der Silhouettenkoffizient hoch, andernfalls ist er niedrig. Sollte das K, welches den höchsten Silhouettenkoffizient erzeugt, von dem erwarteten Wert abweichen, könnte es sich auch hier um eine Anomalie handeln.
Wavelet-Transformation
Die Wavelet-Transformation sucht nach Schwingungsmustern in den Trainingsdaten und eignet sich besonders, um produktionsfreie ZeitrÀume zu erkennen. Sollten VerbrÀuche in dieser Zeit auftreten, können diese Schwingungen so auf Anomalien hindeuten.
Zur eigentlichen Detektion einer Anomalie werden die Ergebnisse der Algorithmen ausgewertet und anhand eines Mehrheitsentscheids bestimmt, ob es sich bei dem geprĂŒften Abschnitt in den Trainingsdaten um eine Anomalie handelt. Sollte der Mehrheitsentscheid nicht ausreichen, z. B. wenn zusĂ€tzliches Expertenwissen mit einbezogen werden soll, kann der Mehrheitsentscheid um einen zusĂ€tzlichen Entscheidungsbaum ergĂ€nzt werden.
Ergebnis
Die Bedeutung der Erkennung unnötiger MehrverbrÀuche (Anomalien) im Energiemanagement kann nicht genug betont werden.
Die KI-getriebene automatisierte Erkennung von Datenfehlern und unnötigen MehrverbrÀuchen ermöglicht es Unternehmen, Kosten zu reduzieren und endliche Ressourcen zu schonen.
In einer Zeit, in der ökologische Faktoren mehr und mehr an Bedeutung gewinnen, eröffnet KI neue Möglichkeiten zur Steigerung der Nachhaltigkeit und bereitet den Weg in eine ressourcenschonende und effiziente Zukunft.
Die Digitalisierung, ein ganzer Kosmos an Möglichkeiten! Wir finden heraus, welche davon fĂŒr Sie die besten sind: Smart. Zukunftsweisend. Wertschöpfend. Brechen wir gemeinsam in Ihre digitale Zukunft auf – wir freuen uns auf Ihre Nachricht!