Dynamic deployment of fault detection models - A use case of the asset administration shell

Abstract

Industrie 4.0 kann als Paradigmenwechsel im Bereich der industriellen Produktion gesehen werden, der zur Digitalisierung von Fertigungsprozessen führt. Zu diesem Zweck bietet das Konzept des digitalen Zwillings einen strukturierten Ansatz für den Austausch und die Abbildung von Daten in diesem Kontext. Hierzu zählen auch Sensordaten, die mittels maschinellen Lernens (ML) beispielsweise zur Erkennung von Fehlern in Produktionsprozessen genutzt werden können. ML-Modelle müssen jedoch bei Bedarf aktualisiert und anschließend produktiv eingesetzt werden. Allerdings mit der Einschränkung, dass Produktionssysteme zu diesem Zweck nicht einfach angehalten werden können. Deshalb müssen diese Aktualisierungen so durchgeführt werden, dass der Wechsel zwischen den Modellen ohne Unterbrechung der Produktionsprozesse erfolgen kann. Diese Arbeit zeigt einen Ansatz zur Integration eines ML-Modells zur Fehlererkennung in eine Verwaltungsschale (AAS), die eine standardisierte Implementierung eines digitalen Zwillings ist. Der Schwerpunkt liegt dabei auf der kontinuierlichen Bereitstellung aktualisierter Versionen dieses Modells während des Betriebs, ohne dass es zu Ausfallzeiten in den Produktionsprozessen kommt. Die wichtigsten Ergebnisse sind die Identifizierung von Anforderungen an eine dynamische Modellbereitstellungs- und Wechselstrategie auf der Grundlage einer Literaturrecherche und ein ML-Modell-Integrationskonzept für die AAS und eine prototypische Implementierung mit Eclipse BaSyx, um die identifizierten Bereitstellungsstrategien sowohl qualitativ als auch quantitativ bewerten zu können. Zu diesem Zweck wurde ein generisches Teilmodell basierend auf dem AAS-Metamodell entwickelt, das verschiedene Arten von ML-Modellen sowie Anwendungsszenarien unterstützen kann. Darüber hinaus wurden drei Bereitstellungsstrategien ermittelt, die einen Wechsel zwischen Modellversionen ohne Ausfallzeiten ermöglichen. Bei diesen Strategien, die im Prototyp implementiert wurden, handelt es sich um zwei Blue-Green Deployments und ein Rolling-Deployment-Konzept. Die entwickelten Konzepte und Ansätze wurden anhand des Prototyps veranschaulicht, um die Einsetzbarkeit und Eignung des Ansatzes zu verdeutlichen. Die Ergebnisse unterstreichen, dass es keine Einheitslösung gibt und dass die am besten geeignete Bereitstellungsstrategie vom jeweiligen Anwendungsfall abhängt. Darüber hinaus sind alle drei beschriebenen Bereitstellungsstrategien dem Basisansatz, einem manuellen Bereitstellungsansatz unter Verwendung des Recreate Deployment Patterns, überlegen. Sie übertreffen diesen sowohl bei der kriterienbasierten Bewertung als auch beim Vergleich der Ausführungszeiten.

Industry 4.0 can be seen as the new paradigm shift in the field of industrial production, leading to the digitalization of manufacturing processes. To this end, the concept of Digital Twins provides a structured approach for exchanging and representing data in this environment. This includes sensor data that can be used by techniques such as machine learning (ML) to detect faults in production processes, among other things. However, ML models need to be updated or retrained and deployed as needed but with the limitation that production systems cannot simply be stopped for this purpose. Therefore, these updates must be performed in such a way that switching between models can be accomplished without interrupting production processes. This thesis describes an approach for integrating a ML model for fault detection into an Asset Administration Shell (AAS), which is a standardized implementation of a Digital Twin, focusing on the seamless deployment of updated versions of this model during operation without causing downtime in production processes. The main contributions of this thesis are therefore the identification of requirements for a dynamic model deployment and switching strategy based on a systematic literature review, a ML model integration concept for the AAS, and a prototype implementation using Eclipse BaSyx to perform both a qualitative and quantitative evaluation of the identified deployment strategies. To this end, a generic submodel was developed that conforms to the AAS metamodel definition and can support different types of ML models and application scenarios. In addition, three deployment strategies were identified that allow switching between model versions without downtime. These strategies described in detail and implemented in the prototype are two blue-green deployments and one rolling deployment approach. The evolved concept and approaches were demonstrated by means of a prototype to illustrate the applicability and suitability of these artifacts. The findings emphasize that there is no one-size-fits-all solution and that the most appropriate deployment strategy depends on the specific use case. In addition, all three deployment strategies described are superior to the baseline approach, a manual deployment approach using the recreate deployment pattern, as they outperform it in both criteria-based evaluation and comparison of execution times based on the prototype.