Maschinelles Lernen und Ameisenstrategien

Kundenanforderungen können bei Transformatoren künftig noch schneller und exakter bedient werden. Simulationen mit besonders realitätsnahen digitalen Zwillingen machen es möglich. Zwei Forscher von Siemens Corporate Technology haben hier neue Ansätze entwickelt. Mit maschinellem Lernen und Ameisenstrategien kommen ihre digitalen Zwillinge den realen Transformatoren immer näher.

Von Frank Krull 

Naturgesetze, Konstruktionsdaten, Materialwerte, Funktionsabläufe. Aus diesen Zutaten werden die digitalen Zwillinge technischer Anlagen geformt. „Zu wenig für ein wirklich reales Abbild“, finden Denis Smirnov und Yayun Zhou. „Für viele Simulationsaufgaben reicht das nicht.“ Die beiden Forscher von Siemens Corporate Technology sind deshalb derzeit dabei, den digitalen Zwillingen, mit denen die Eigenschaften von Transformatoren in der Designphase simuliert werden, durch maschinelles Lernen und spezielle Optimierungsmethoden noch mehr Realitätsnähe zu geben.

Kerwin Stretch, der bei Smart Infrastructure von Siemens das globale Technologiezentrum für Verteiltransformatoren leitet, will das gerne nutzen, um die Kundenanforderungen noch schneller und exakter bedienen zu können. „Die Leistungskennwerte, die ein Transformator erfüllen muss, unterscheiden sich je nach Anwendungsfall und Einsatzort erheblich, erklärt Stretch. „Da geht es um Werte wie die Maximaltemperatur, die nicht überschritten werden darf, weil der Transformator sonst Schaden nimmt oder die maximalen Leistungsverluste, die im Leerlauf auftreten dürfen, also wenn kein Stromverbraucher angeschlossen ist. Hier braucht es bislang sehr viel Expertenwissen und Zeit, um die beste Designlösung zu finden, zumal alle Kennwerte wechselseitig zusammenhängen. Eine schnelle Simulation mit realitätsnäheren digitalen Zwillingen würde diese Arbeit erheblich beschleunigen.“

Smirnov, der Experte für maschinelles Lernen ist, hat insbesondere bei den Verteiltransformatoren eine Ausgangslage vorgefunden, die den Einsatz seiner Werkzeuge sehr begünstigt. „Hier werden schon seit vielen Jahren für jeden Transformator die Abweichungen zwischen den simulierten und realen Leistungskennwerten erfasst“, erklärt Smirnov. „Dadurch steht eine riesige Datenbank mit mehreren zigtausenden Vergleichswerten zur Verfügung, die man mit Hilfe von maschinellem Lernen in die Gestaltung des Zwillings einbeziehen kann.“ Was dabei passiert, unterscheidet sich im Grundsatz nicht von der Art und Weise, wie ein Mensch aus den Vergleichswerten seine Erkenntnisse ziehen und damit seine Vorstellung vom Zwilling weiterentwickeln würde. In einem Computer erfährt das Ganze jedoch eine enorme Beschleunigung, so dass hochkomplexe Zusammenhänge erschlossen werden können, die ein Mensch nie erkennen könnte.

Smirnov und Stretch haben den mit maschinellem Lernen optimierten Zwilling bereits für die Simulationsberechnung der Leerlaufverluste ausführlich getestet. „Hier hat sich gezeigt, dass die Berechnungen mit dem neuen Zwilling deutlich bessere Ergebnisse liefern als die mit dem bisherigen Zwilling“, erzählt Smirnov. „Die neuen Simulationsergebnisse lagen bei den 7.000 Transformatoren, die wir durchgerechnet haben, nicht nur bei 88 Prozent der Fälle näher am realen Wert. Die Abweichung der neuen Simulationswerte vom realen Wert waren auch nur halb so groß wie bei den früheren Simulationen.“

Inzwischen ist die neue Simulation in die derzeit beim Design von Verteilungstransformatoren eingesetzte Simulationssoftware aufgenommen. Die Designer bekommen damit jetzt für den Leerlaufverlust beide Berechnungen angezeigt. „Ohne Hardwarenachrüstung!“, betont Smirnov. „Die Fähigkeit, maschinell zu lernen, erhalten die vorhandenen Computer allein durch ein Training. Das kostet zwar etwas Zeit. Die Berechnungen danach brauchen dann aber nur noch wenige Millisekunden.“ „Wenn man berücksichtigt, wie viel schneller und exakter dadurch Kundenanforderungen bedient werden können, ist der Aufwand sogar außerordentlich gering“, zeigt sich Stretch sehr zufrieden. Er hofft daher sehr, dass er die Simulation mit maschinellem Lernen schon bald für die Berechnungen weiterer Kennwerte einsetzen kann.

Datenbanken mit zigtausenden Vergleichswerten von simulierten und realen Leistungskennwerte stehen allerdings nur von wenigen Transformatoren zur Verfügung. Bei den Industrietransformatoren ist das zum Beispiel nicht der Fall. Von ihnen werden jährlich nur wenige Stück gefertigt. Trotzdem hat Zhou, die bei Corporate Technology Expertin für mathematische Optimierung ist, auch für die oft mehr als zehn Meter hohen und über 500 Tonnen schweren Giganten einen Weg gefunden, um den Zwillingen mehr Realitätsnähe zu geben. Ihr Startpunkt sind Zwillinge mit variablen Parametern in der Modellbeschreibung. Bei ihnen sind zum Beispiel die Abmessung des Kerns, die Art und Anzahl der Windungen oder auch andere Größen innerhalb gewisser Grenzen frei wählbar.

Für diese Zwillinge hat Zhou zusammen mit ihren Kollegen Harald Held und Meinhard Paffrath ein Verfahren entwickelt, das in einer Mischung aus Simulation und Optimierung die beste Kombination der Parameterwerte für die geforderten Leistungswerte ermittelt. Weil es zu lange dauern würde, alle denkbaren Kombinationen zu simulieren und miteinander zu vergleichen, kommt dabei ein Optimierungsverfahren zur Anwendung, das sich daran orientiert, wie Ameisenkolonien den kürzesten Weg zwischen ihrem Nest und einer größeren Futterquelle ausfindig machen. „Bei den Ameisen funktioniert es mit einem Duftstoff, mit dem sie ihren Weg markieren“, erklärt Zhou das Prinzip. „Da die Ameisen, die auf dem kürzesten Weg unterwegs sind, diesen häufiger gehen und markieren, als die Ameisen auf den längeren wegen, wird der kürzeste Weg mit der Zeit stärker markiert als alle anderen.“

Smirnov hat bereits Interesse angemeldet, das Verfahren von Zhou zusätzlich auch auf seine Verteiltransformatoren anzuwenden. „Schade, dass ich im Gegenzug nicht mein Verfahren für die Industrietransformatoren anbieten kann“, bedauert Smirnov. „Aber solange keine ausreichende Menge an Vergleichswerten zur Verfügung steht, ist da nichts zu machen.“ Zhou freut sich bereits darauf, zusammen mit Smirnov zu testen, ob er seine Zwillinge mit ihrem Verfahren noch ein weiteres Stück nachschärfen kann. Und sie ist sehr zuversichtlich, dass es gelingt.

5. Aug. 2019

Frank Krull ist Physiker und Journalist und arbeitet in der Kommunikationsabteilung von Siemens.