wbk Jahresbericht 2023 final inkl Inhaltslink - Flipbook - Seite 49
D I S S E R TAT I O N E N
STUDIUM UND LEHRE
VERÖFFENTLICHUNGEN
Dissertationen
Erkennung von Störungen in hochflexiblen Produktionsmaschinen durch intelligente Anomalieerkennung zur
Steigerung der Gesamtanlageneffektivität
Ziel des Vorhabens
lediglich als unerwartete Ausprägung echtzeitnah
erkannt.
Vorgehensweise
Nach der Anomalieerkennung wird ein Label zur
Klassifikation der Anomalien integriert. Durch die
damit ermöglichte Klassifikation wird die Genauigkeit des Gesamtsystems maßgeblich gesteigert.
Im letzten Schritt erfolgt die Formalisierung von
bestehendem Anwenderwissen.
Ergebnisse
Ein neuartiges Konzept zur Segmentierung von
Prozessen sowie zur Bestimmung von ProzessRepräsentanten ist im Rahmen dieser Dissertation
entstanden. Auf Basis dieser Segmentierung wurden
Verfahren zur Anomalieerkennung entwickelt. Des
Weiteren konnte Anwenderwissen formalisiert und
zur Klassifikation von gefundenen Anomalien verwendet werden. Um die breite Anwendbarkeit sicherzustellen, sind alle Ansätze programmiertechnisch in
Form einer App umgesetzt. Dabei wurden die Einzelverfahren zusammengeführt und eine konsistente
Funktion über alle Bausteine des Gesamtsystems gewährleistet. Der Nachweis über die Funktionsfähigkeit
erfolgte an drei verschiedenen industriell relevanten
Anwendungsfällen.
Diese Dissertation zeigt ein neuartiges Verfahren der
Anomalieerkennung auf und stellt die breite Anwendung in der Praxis unter Berücksichtigung der aufgezeigten Grenzen sicher. Durch den Einsatz des Systems kann die Gesamtanlageneffektivität nachhaltig
gesteigert werden.
■
Daten-Input
Zunächst werden Verfahren der Mustererkennung vorgestellt, um Prozesse in hochflexiblen
Anlagen segmentieren zu können. Dies mündet
in der Berechnung von
multidimensionalen repräsentativen Prozessmustern. Die segmentierten Muster werden
anschließend in OnIntelligente Anomalieerkennung
line-Zeitreihen wieOffline
Analyse
Signal
dergefunden, um eine
Auffinden von
verschiedenen Prozessen
Prozessreferenzierung
Online
zu ermöglichen.
Identifikation
Signal
Rohsignal aus
Maschine
Auf Basis der Prozessmuster werden dann
von Anomalien aufgefunden. Die Anomalien
werden vorerst nicht
klassifiziert, sondern
Autor:
Dr.-Ing. Markus Netzer
Anomaly-Detection GUI
y
Muster
I
Spindelstrom
t
t
Anomaly detected !
Anomaly
No Anomaly
Wissen/Daten
Mustererkennung
Finden von Anomalien in
Signalen und Klassifizierung
Signal-Datenbank
Darstellung
Ziel der vorliegenden Dissertation ist es, ein Verfahren zur Erkennung von Störungen in verschiedenen
hochflexiblen Produktionsmaschinen ohne Initialaufwand durch aufwendiges Antrainieren mit großer Datenmenge zu erarbeiten. Zudem erfolgt die
Integration von Domänenwissen eines Anwenders.
Während bisherige Verfahren auf das Antrainieren weniger, aber sich oft wiederholender Prozesse
ausgerichtet sind, soll mit diesem Ansatz ein neuartiges Konzept geschaffen werden, Störungen bei
sehr geringer Datenmenge aufzufinden. Die Eingriffsgrenzen der Logik sind selbstlernend und adaptieren
sich bei einem Prozess- respektive Produktwechsel
selbst. Die Prozessunterscheidung erfolgt dabei auf
Basis einer Prozesssegmentierung mittels Verfahren der Mustererkennung. Nach dem Segmentieren
historischer Datenströme und dem Bestimmen von
repräsentativen Mustern erfolgt das Wiederfinden
der Segmente in Online-Signalen. Wenn ein gleiches
Segment erkannt wurde, erfolgt die unüberwachte
Anomalieerkennung. Eine nachgelagerte Klassifizierung durch antrainierte Fehlerklassen und durch formalisiertes Domänenwissen ermöglicht eine Ausgabe
von Handlungsempfehlungen für Mitarbeitende im
Bereich Anwendung und Maschinenbedienung.
Formalisierung von
Anwenderwissen
Domänenwissen-Datenbank
Rückführung der Anomalie
Maßnahmen
Maßnahmen-Datenbank
Ableiten von Gegen- oder
Vermeidungsmaßnahmen
Ablaufdiagramm der neuartigen Anomalieerkennung (Foto: wbk)
Institut für Produktionstechnik Jahresbericht 2023
49