El análisis de datos de sensores de máquinas, plantas o edificios permite detectar de forma temprana estados anómalos y así evitar mayores daños. Para este propósito, Se buscan anomalías en los datos de seguimiento. Mediante el aprendizaje automático, La detección de anomalías ya se puede automatizar parcialmente.

Los métodos de aprendizaje automático primero requieren una fase de aprendizaje estable en la que lleguen a conocer todos los tipos posibles de estados regulares. Para aerogeneradores o puentes, esto solo es posible en una medida muy limitada, ya que son, por ejemplo, expuestos a condiciones climáticas altamente fluctuantes. Además, Por lo general, hay poca información disponible sobre eventos anómalos. Como resultado, Es difícil para el sistema identificar y categorizar estados excepcionales. Sin embargo, este conocimiento es importante para descubrir cuán precarias son realmente las respectivas desviaciones de la norma. Estos problemas se abordarán en el proyecto "Procedimientos de aprendizaje automático para señales multisensores estocásticos-deterministas" (MADESI).

Las simulaciones numéricas se pueden ejecutar en todos los escenarios imaginables. Por ejemplo, Es posible simular lo que sucede si fuertes ráfagas golpean una turbina eólica. El sistema de monitoreo puede entonces entrenarse con los datos generados por estas simulaciones y luego detectar e interpretar anomalías de forma autónoma.

Los investigadores del proyecto MADESI desarrollan métodos que permiten la utilización de datos de simulación en el aprendizaje automático. Aquí, El sistema de monitoreo debe diseñarse de tal manera que pueda entrenarse utilizando datos de sensores reales y datos de simulación. Es más, el consorcio tiene la intención de aumentar la interpretabilidad de los datos de seguimiento. "Para este propósito, en SCAI trabajamos en métodos de minería de datos que pueden reconocer patrones en los datos del escenario, "explica el director del proyecto, el Prof. Dr. Jochen Garcke, jefe del departamento "Predicción basada en datos numéricos" en Fraunhofer SCAI. "Aquí, también buscamos rasgos característicos de daños específicos de las cajas de engranajes de los aerogeneradores o de hielo en las palas del rotor de un aerogenerador ".