Physikgeführtes Lernen mit fusionierten Bildern und erweitertem Squeeze-Excitation für die Fehleranalyse einstufiger Kreiselpumpen

Warum intelligente Pumpenüberwachung wichtig ist

Hinter vielen Fabriken, Kraftwerken und Wassersystemen arbeiten mehrstufige Kreiselpumpen unsichtbar und halten Flüssigkeiten in Bewegung. Wenn diese Pumpen verdeckte Schäden entwickeln, können Unternehmen Tausende Stunden für Reparaturen und Millionen an Ausfallkosten und Unfällen verlieren. Diese Studie zeigt, wie die Kombination von physikalischem Wissen mit moderner, bildbasierter künstlicher Intelligenz frühe, subtile Probleme in solchen Pumpen erkennen kann — selbst wenn die Signale verrauscht sind und die Betriebsbedingungen variieren.

Das verborgene Leben industrieller Pumpen

Mehrstufige Kreiselpumpen nutzen mehrere nacheinander angeordnete Laufräder, um Druck aufzubauen und Flüssigkeit durch Leitungen zu fördern. In realen Anlagen haben Ausfälle solcher Pumpen zu tausenden Wartungsstunden und Verlusten in Millionenhöhe geführt. Die problematischsten Fälle beginnen oft als „weiche“ Fehler: kleine Bohrlöcher oder Kratzer an Dichtungen und erste Korrosionsstellen an Laufrädern. Diese Defekte stoppen die Pumpe nicht sofort, mindern aber nach und nach Leistung und Sicherheit. Da die Pumpen unter unterschiedlichen Drücken laufen und von anderer vibrierender Ausrüstung umgeben sind, sind frühe Warnzeichen in komplexen, verrauschten Schwingungsdaten verborgen.

Vibrationen in aussagekräftige Bilder verwandeln

Die Autoren bauten einen Prüfstand auf Basis einer Industriepumpe und führten gezielt drei realistische weiche Fehler ein: ein in eine Dichtung gebohrtes Loch, ein Kratzer an einer Dichtung und Materialverlust an einem Laufrad, daneben auch den Normalzustand. Schwingungssensoren wurden am Pumpengehäuse, in der Nähe der Dichtungen und in der Nähe des Laufrads angebracht. Anstatt die gesamte Schwingungsaufzeichnung als gleichermaßen nützlich zu behandeln, zerlegte das Team jedes Signal zunächst in viele kurze Zeitfenster. Diese Fenster wurden dann anhand dreier physikalisch sinnvoller Maße bewertet: Gesamtenergie, Impulsivität und wie viel Energie in einem aus der Pumpenphysik bekannten, fehlersensitiven Frequenzband lag. Nur die am besten bewerteten Fenster, die am ehesten nützliche Fehlerinformation enthielten, wurden für die weitere Analyse behalten.

Drei Blickrichtungen desselben Signals fusionieren

Aus jedem ausgewählten Fenster erzeugten die Forschenden ein spezielles „fusioniertes“ Bild, das unterschiedliche Aspekte des Pumpenverhaltens erfassen soll. Ein Kanal ist eine physikgeführte Version eines Mel-Spektrogramms, die hervorhebt, wie sich die Schwingungsenergie über Zeit und Frequenz verteilt, mit zusätzlicher Betonung des Frequenzbereichs, in dem Fehler typischerweise auftreten. Ein zweiter Kanal, das sogenannte Gramian Angular Difference Field, verwandelt das Zeitsignal in ein strukturiertes Bild, das zeigt, wie Punkte im Signal zeitlich zueinander stehen und so unregelmäßige Stöße und nichtlineare Veränderungen sichtbar macht. Ein dritter Kanal, die Cross Interaction Map, verstärkt Bereiche, in denen sich die anderen beiden Ansichten einig sind, und schwächt solche ab, die wahrscheinlich durch Rauschen verursacht werden. Das Stapeln dieser drei Kanäle ergibt ein kompaktes Bild, das Zeit, Frequenz und zeitliche Struktur zusammen kodiert.

KI mit Physik leiten

Diese fusionierten Bilder werden in ein kompaktes konvolutionales neuronales Netz eingespeist, das lernt, Muster zu erkennen, die mit bestimmten Pumpenzuständen verknüpft sind. Eine Schlüsselinnovation ist ein „erweitertes Squeeze-Excitation“-Aufmerksamkeitsmechanismus. Vereinfacht gesagt betrachtet das Netzwerk nicht nur die gelernten Bildmerkmale, sondern erhält zusätzlich einen kleinen Seitenvektor klassischer, physikalisch abgeleiteter Schwingungsindikatoren wie Effektivwert (RMS), Impulsivität, Crest-Faktor und den Anteil der Energie im fehlersensitiven Band. Das Aufmerksamkeitsmodul nutzt diese Zusatzinformation, um zu entscheiden, welche internen Feature-Kanäle betont oder abgeschwächt werden sollen, und lenkt das Netzwerk so auf Muster, die mit realem mechanischem Verhalten übereinstimmen, statt auf zufällige Korrelationen in den Daten.

Wie gut funktioniert der Ansatz?

Das Framework wurde an realen Schwingungsdaten des Prüfstands getestet, der bei drei druckrelevanten Betriebswerten lief: 3 bar, 3,5 bar und 4 bar. Für jeden Druck musste das Modell den Normalbetrieb von den drei Fehlerarten unterscheiden. Über alle Drücke hinweg erreichte es eine Klassifikationsgenauigkeit von über 99 Prozent, mit einem Macro-F1-Wert (Balance aus Präzision und Recall) ebenfalls über 0,99, und bei dem höchsten Druck wurden perfekte Werte erzielt. Die Autoren verglichen ihre Methode mit mehreren fortgeschrittenen Alternativen, darunter Transferlernen mit Standard-Bildnetzen, entropiebasierter Merkmalsextraktion und anderen physik-inspirierten Deep-Modellen. In jedem Fall übertraf oder erreichte das physikgeführte, fusionierte Bild plus Aufmerksamkeits-Framework die Konkurrenz, insbesondere bei wechselnden Betriebsbedingungen.

Was das für die Praxis bedeutet

Für Ingenieurinnen, Ingenieure und Anlagenbetreiber zeigt diese Arbeit einen praktikablen Weg, ihr Pumpenverständnis mit der Mustererkennungsfähigkeit von Deep Learning zu verbinden. Durch die gezielte Auswahl der informativsten Signalabschnitte, deren Umwandlung in reichhaltige, aber kompakte Bilder und die Steuerung des Netzes mit einfachen physikalischen Indikatoren kann die Methode zuverlässig frühe Dichtungs- und Laufradschäden anzeigen — lange bevor es zu katastrophalen Ausfällen kommt. Langfristig könnten solche physikbewussten KI-Werkzeuge die Instandhaltung von reaktiven Reparaturen nach Ausfällen hin zu geplanten Eingriffen auf Basis vertrauenswürdiger Frühwarnungen verschieben.

Zitation: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Schlüsselwörter: Fehler an Kreiselpumpen, Schwingungsüberwachung, physikgeführtes Deep Learning, zustandsbasierte Instandhaltung, industrielle Diagnostik