Intelligente Anomalieerkennung für hochflexible Produktionsmaschinen : Prozessüberwachung in der Brownfield Produktion

Unter dem Begriff "Industrie 4.0" wurden im letzten Jahrzehnt Ansätze der Dateninfra-struktur in Produktionen entwickelt und in großem Umfang angewendet. Dennoch kann das volle Potenzial datengetriebener Analysen kaum ausgeschöpft werden, da viele Produktionsanlagen durch eine hohe Komplexität und Prozessvielfalt gekennzeichnet sind. Zudem ist die Datenmenge in der Praxis meist zu gering, um selbstlernende Me-thoden anzuwenden. Die Integration von Anwenderwissen in datengetriebenen Metho-den ist bisher nicht ganzheitlich erforscht. In dieser Dissertation werden Ansätze zur Anomalieerkennung in verschiedenen hochflexiblen Produktionsmaschinen und die In-tegration von Domänenwissen eines Anwenders vorgestellt. ... mehrWährend sich bestehende Methoden auf das Modelltraining von sich wiederholenden gleichen Prozessen kon-zentrieren, besteht der neuartige Ansatz dieser Arbeit darin, ein Konzept zur Fehlerer-kennung mit einer sehr geringen Datenmenge zu entwickeln. Eingriffsgrenzen sind va-riabel und lassen sich durch selbstlernende Algorithmen im Falle einer Prozess- oder Produktänderung anpassen. Die Prozessdifferenzierung basiert auf einer Prozessseg-mentierung mit Methoden der Mustererkennung. Nach der Segmentierung historischer Datenströme und der Bestimmung repräsentativer Muster werden die Segmente in On-line-Signalen wiedererkannt. Nachdem ein ähnliches Segment erkannt wurde, wird eine unüberwachte Anomalieerkennung durchgeführt. Eine Anomalie-Klassifikation mit Hilfe selbstlernender Methoden und des formalisierten Domänenwissens ermöglicht die Ausgabe von Handlungsempfehlungen für den Benutzer oder Maschinenbediener. Alle entwickelten Methoden werden an drei ausgewählten industriell relevanten Anwen-dungsbeispielen validiert. Die Methoden werden in einer App implementiert.

Under the term "Industry 4.0" approaches of data infrastructure in productions have been developed and applied to a large extent in the last decade. Nevertheless, the full potential of data-driven analyses can hardly be exploited, as many production machines are characterized by a high degree of complexity and diversity of processes. Further-more, the amount and variance of data in brownfield applications is usually too small to apply self-learning methods. The integration of user knowledge to data-driven methods has not been holistically researched. In this dissertation approaches for fault detection in different highly flexible production machines and the integration of domain knowledge of a user are introduced. ... mehrWhile existing methods are focused on model training of repet-itive processes, the novel approach of this dissertation is to create a concept to detect faults with a very small amount of data. Intervention limits of the logic are self-learning and adapt themselves in case of a process or product change. Process differentiation is based on process segmentation using pattern recognition methods. After segmenting historical data streams and determining representative patterns, the segments are re-detected in online signals. After a similar segment has been detected, unsupervised anomaly detection is performed. An anomaly classification by using self-learning meth-ods and the formalized domain knowledge enables the output of recommended actions for the user or machine operator. All developed methods are validated on three selected industrially relevant application examples. The methods are implemented in an app.