[SIML] Learning Validation Models for Sensors of a Power Plant

Art der Arbeit:

Bachelor Thesis

Betreuer:

Melodia, Luciano
Lehrstuhl für Informatik 6 (Datenmanagement)
E-Mail: luciano.melodia@fau.de

Lenz, Richard
Lehrstuhl für Informatik 6 (Datenmanagement)
Telefon +49.9131.85.27899, E-Mail: richard.lenz@fau.de

Beschreibung der Arbeit:

Wärme-, Druck-, Leitfähigkeitssensoren und viele andere Arten von Messgeräten sind Helfer im industriellen Alltag, die täglich kalibriert werden müssen. Die Messungen der Sensoren sind immer mit Fehlern behaftet. Typischerweise wird zwischen zwei Arten von Fehlern unterschieden: Rauschen und systematische Fehler. Letztere hängen von verschiedenen Faktoren ab, wie z.B. von der Messmethode, der Qualität des Messinstruments, dem Alter des Messinstruments, der Position des Sensors, der Messkette, der Signalverarbeitung usw.

Aufgabe

• Berechnen Sie den aktuellen systematischen Messfehler in Abhängigkeit vom Messwert.

• Lassen Sie die Validierungsergebnisse während des Betriebs in Ihre Kalibrierkurve einfließen (Validierungsergebnisse werden normalerweise alle 10 Minuten neu berechnet), vergleichbar mit einem gleitenden Durchschnitt.

• Dokumentieren Sie den systematischen Fehler in definierten Zeitintervallen, um Änderungen zu erkennen.

• Das Verfahren sollte so effizient wie möglich implementiert werden, damit es auf eine große Anzahl von Sensoren angewendet werden kann.

Auswertung

• Zeigen Sie die Vor- und Nachteile Ihrer Methode gegenüber dem folgenden einfachen, aber bereits bekannten Verfahren auf: neuer bekannter Messfehler = (alter Messfehler x Gewichtungsfaktor + (1 Gewichtungsfaktor) x neuer Messfehler).

Beide Fehler sollten bei der Auswertung des Signals berücksichtigt werden. Das übliche Verfahren ist die Kalibrierung, bei der der einzelne Sensor oder sogar die gesamte Messkette mit einem Kalibrierstandard verglichen wird. Der Messfehler wird meist in Abhängigkeit von der Messgrösse dargestellt, d.h. die Erfassung erfolgt zunächst in tabellarischer Form (ermittelter Messfehler vs. Messwert) und wird manchmal durch ein Kalibrierpolynom zusammengefasst.

English version:
Heat, pressure, conductivity sensors and many other types of measuring instruments are helpers in everyday industrial life that require daily calibration. Measurements of the sensors are always subject to errors. A distinction is typically made between two types of errors: noise and systematic errors. The latter depends on various factors, such as the measuring method, quality of the measuring instrument, age of the measuring instrument, position of the sensor, measuring chain, signal processing, etc.
Both errors should be taken into account when evaluating the signal. The usual procedure is calibration, in which the individual sensor or even the entire measurement chain is compared with a calibration standard. The measurement error is usually represented as a function of the measured quantity, i.e. the acquisition is initially in tabular form (determined measurement error vs. measured value) and is sometimes summarized by a calibration polynomial.

Task

• Calculate the current systematic measurement error as a function of the measured value.

• Let the validation results flow into your calibration curve during operation (validation results are typically recalculated every 10 minutes), comparable to a moving average.

• Document the systematic error in defined time intervals to detect changes.

• The procedure should be implemented as efficiently as possible so that it can be applied to a large number of sensors.

Evaluation

• Show the advantages and disadvantages of your method compared to the following simple but already known procedure: new known measurement error = (old measurement error x weighting factor + (1 - weighting factor) x new measurement error).

Both errors should be taken into account when evaluating the signal. The usual procedure is calibration, in which the individual sensor or even the entire measurement chain is compared with a calibration standard. The measurement error is usually represented as a function of the measured quantity, i.e. the acquisition is initially in tabular form (determined measurement error vs. measured value) and is sometimes summarized by a calibration polynomial.

Schlagwörter:

Online Learning, Sensor Data, Sensor Calibration, Machine Learning

Bearbeitungszustand:

Die Arbeit ist bereits abgeschlossen.