L'analyse des données des capteurs des machines, des usines ou des bâtiments permet de détecter précocement des états anormaux et ainsi d'éviter des dommages supplémentaires. Dans ce but, les données de surveillance sont recherchées pour les anomalies. Grâce à l'apprentissage automatique, la détection des anomalies peut déjà être partiellement automatisée.

Les méthodes d'apprentissage automatique nécessitent d'abord une phase d'apprentissage stable au cours de laquelle elles apprennent à connaître tous les types d'états réguliers possibles. Pour les éoliennes ou les ponts, cela n'est possible que dans une mesure très limitée, comme ils sont, par exemple, exposés à des conditions météorologiques très fluctuantes. En outre, il n'y a généralement que peu d'informations disponibles sur les événements anormaux. Par conséquent, il est difficile pour le système d'identifier et de catégoriser les états exceptionnels. Cependant, cette connaissance est importante pour savoir à quel point les écarts respectifs par rapport à la norme sont réellement précaires. Ces problèmes seront abordés dans le projet « Procédures d'apprentissage automatique pour les signaux multi-capteurs stochastiques-déterministes » (MADESI).

Les simulations numériques peuvent exécuter tous les scénarios imaginables. Par exemple, il est possible de simuler ce qui se passe si de fortes rafales frappent une éolienne. Le système de surveillance peut ensuite être entraîné avec les données générées par ces simulations et ensuite détecter et interpréter les anomalies de manière autonome.

Les chercheurs du projet MADESI développent des méthodes permettant l'utilisation de données de simulation dans l'apprentissage automatique. Ici, le système de surveillance doit être conçu de manière à pouvoir être entraîné à l'aide de données de capteurs réels et de données de simulation. De plus, le consortium a l'intention d'augmenter l'interprétabilité des données de surveillance. "Dans ce but, Chez SCAI, nous travaillons sur des méthodes d'exploration de données capables de reconnaître des modèles dans les données de scénario, " explique le chef de projet Prof. Dr. Jochen Garcke, chef du département "Numerical Data-Driven Prediction" chez Fraunhofer SCAI. "Ici, nous recherchons également des caractéristiques de dommages spécifiques des boîtes de vitesses d'éoliennes ou de la glace sur les pales de rotor d'une éolienne."