Analysen av sensordata från maskiner, anläggningar eller byggnader gör det möjligt att tidigt upptäcka anomala tillstånd och därmed undvika ytterligare skador. För det här syftet, övervakningsdata söks efter anomalier. Med hjälp av maskininlärning, anomalidetektering kan redan delvis automatiseras.

Maskininlärningsmetoder kräver först en stabil inlärningsfas där de lär känna alla möjliga typer av vanliga tillstånd. För vindkraftverk eller broar, detta är endast möjligt i mycket begränsad utsträckning, som de är, till exempel, utsätts för mycket fluktuerande väderförhållanden. Dessutom, det finns vanligtvis bara lite information tillgänglig om onormala händelser. Som ett resultat, det är svårt för systemet att identifiera och kategorisera exceptionella tillstånd. Dock, denna kunskap är viktig för att ta reda på hur otrygga respektive avvikelser från normen verkligen är. Dessa problem ska tas upp i projektet "Machine Learning Procedures for Stochastic-Deterministic Multi-Sensor Signals" (MADESI).

Numeriska simuleringar kan gå igenom alla tänkbara scenarier. Till exempel, det går att simulera vad som händer om kraftiga stormar slår mot ett vindkraftverk. Övervakningssystemet kan sedan tränas med data som genereras av dessa simuleringar och efteråt detektera och tolka anomalier autonomt.

Forskarna i MADESI-projektet utvecklar metoder som möjliggör utnyttjande av simuleringsdata i maskininlärning. Här, övervakningssystemet måste utformas på ett sådant sätt att det kan tränas med hjälp av verkliga sensordata och simuleringsdata. Dessutom, konsortiet avser att öka tolkningsbarheten av övervakningsdata. "För det här syftet, vi på SCAI arbetar med datautvinningsmetoder som kan känna igen mönster i scenariodata, " förklarar projektledaren Prof. Dr. Jochen Garcke, chef för avdelningen "Numerical Data-Driven Prediction" på Fraunhofer SCAI. "Här, Vi letar också efter karakteristiska egenskaper för specifika skador på vindkraftverks växellådor eller för is på rotorbladen på ett vindturbin."