1. Intelligente Anomalieerkennung für hochflexible Produktionsmaschinen : Prozessüberwachung in der Brownfield Produktion
- Author
-
Netzer, Markus, Fleischer, Jürgen, and Aurich, J. C.
- Subjects
Produktion ,Brownfield ,Anomalieerkennung ,ddc:620 ,Engineering & allied operations ,Prozessüberwachung - Abstract
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. Während 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.
- Published
- 2023