Strukturinformierte Graph Neural Networks (GNNs) für Lokalisierungsaufgaben in Fluidsystemen

Fluidsysteme - umfassend Druckluft-, Wasser-, Gas- und Ölnetze - bilden das Rückgrat industrieller Infrastruktur. Störungen innerhalb dieser Versorgungsnetze, insbesondere Leckagen, führen weltweit zu massiven Energie- und Kostenverlusten sowie zu signifikanten Sicherheits- und Umweltrisiken. Allein Druckluftsysteme sind für etwa acht Prozent des globalen industriellen Energieverbrauchs verantwortlich, wobei Leckagen eine der primären Ineffizienzen darstellen. Schätzungen zufolge gehen durchschnittlich 20-30 % der komprimierten Luft durch Undichtigkeiten verloren was erhebliche Betriebskosten verursacht und die Umwelt zusätzlich belastet. Besonders kritisch sind Leckagen in Gas- und Ölleitungen. Diese führen nicht nur zu einem hohen Ressourcenverlust, sondern bergen aufgrund von teilweise brennbaren oder toxischen Gasen auch erhebliche Sicherheitsrisiken und können gravierende Umweltschäden verursachen. Dies unterstreicht die Relevanz effizienter, automatisierter Überwachungs- und Lokalisierungsmethoden.

Gleichzeitig eröffnen moderne KI-Methoden neue Möglichkeiten für die datengetriebene Analyse komplexer technischer Netzwerke. Insbesondere Graph Neural Networks (GNNs) und Graph-Transformer-Modelle ermöglichen es, die topologische Struktur von Rohrsystemen explizit abzubilden und räumliche Abhängigkeiten zwischen Sensorknoten systematisch zu modellieren. Durch die Fusion multimodaler Sensordaten - wie etwa die Kombination von Druck-, Durchfluss- und Vibrationssignalen - lassen sich in solchen Modellen robuste, topologiebewusste Repräsentationen erzeugen, die eine präzisere Fehlerlokalisierung ermöglichen. Da annotierte Leckagedaten aus realen Industrieanlagen jedoch oft rar sind, gewinnt das Sim2Real-Transferlernen zunehmend an Bedeutung. Dieser Ansatz ermöglicht es, Modelle auf simulierten Daten effizient vorzutrainieren und deren Generalisierungsfähigkeit für den Einsatz in realen Szenarien signifikant zu verbessern.

Vor diesem Hintergrund verfolgt die Arbeit das Ziel, neue graphbasierte KI-Methoden zu entwickeln und zu evaluieren, welche die Topologie technischer Fluidsysteme, multimodale Sensordaten und Sim2Real-Ansätze integrativ nutzen. Die Leckagelokalisierung dient dabei als zentraler, praxisnaher Anwendungsfall, der es ermöglicht, die Leistungsfähigkeit der entwickelten Methoden in einem klar definierten und industriell relevanten Szenario zu demonstrieren.