VIPFLUID

Vorausschauende Instandhaltung für Pumpensysteme auf Basis von Federated Learning und Synthese von multiplen Sensordaten

Der schonende Umgang mit Ressourcen ist angesichts der fortschreitenden Klimaveränderungen, die sich auch in Deutschland immer stärker bemerkbar machen, unabdingbar. Dies gilt für verschiedene Bereiche, einschließlich der Abwasserwirtschaft. Innovative Lösungen, die auf digitalen Technologien basieren, bieten nicht nur die Möglichkeit, Ressourcen einzusparen, sondern können auch wesentlich zur Stärkung der Resilienz kritischer Infrastrukturen beitragen.

VIPFLUID widmet sich genau diesem Themenfeld und hat zum Ziel, die Zustandsdaten von Abwasserpumpen mithilfe geeigneter Sensortechnik zu erfassen und für maschinelles Lernen zu nutzen. Adaptive Sensortechnik und ein intelligenter Sensorhub sollen dafür zunächst die Pumpendaten erfassen und lokal in der Edge vorverarbeiten, um einen komprimierten Datenstrom an lokale Rechenressourcen (Fog) zu senden. Synthetische Daten durch Machine Learning (ML) ermöglichen dann lokale und ressourcenschonende, adaptive Modelle zur Vorhersage.

Die entwickelten Softwarelösungen basieren auf generativen neuronalen Netzwerken sowie Federated Learning und sollen den Einsatz von maschinellem Lernen im Bereich der vorausschauenden Wartung auf wirtschaftliche und ökologische Weise etablieren. Dadurch wird eine proaktive Wartung ermöglicht und reaktives Handeln minimiert. Dies vermeidet teure und systemkritische Ausfälle und verbessert die Prozesssicherheit erheblich. Durch die generierten belastbaren Vorhersageergebnisse wird eine signifikante Reduzierung der Ressourcen für die Instandhaltung ermöglicht. Diese Technologie ermöglicht eine deutliche Reduktion des CO2-Ausstoßes und unterstützt so die Erreichung von Klima- und Umweltschutzzielen.

Langfristig besteht die Möglichkeit, die technische Lösung auch auf andere Anwendungsgebiete wie die Steuerung von Abwasserströmen bei Starkregen auszuweiten. Durch die dynamische Steuerung der vorhandenen Infrastruktur könnten Schäden bei klimabedingten Starkregenereignissen vermieden werden. Das Projekt trägt zur Verbesserung der Ausfallsicherheit und Widerstandsfähigkeit der Infrastruktur bei. Darüber hinaus bieten ML-Verfahren im Anlagenbereich strategische Potenziale, die aufgrund des hohen Ressourceneinsatzes herkömmlicher Lernverfahren bisher ungenutzt blieben.

Konsortium:

  • Technische Universität Dresden
  • Herborner Pumpentechnik GmbH & Co KG
  • Gesellschaft zur Förderung von Medizin-, Bio- und Umwelttechnologien (GMBU) e. V.
  • Ingenieurbetrieb für Automatisierungstechnik Rudolphi & Rau GmbH
  • Pumpen-Service-Deutschland GmbH
  • SPEKTRA Schwingungstechnik und Akustik GmbH Dresden