Zeitreihen Machine Learning für die Anwendung in Produktionssystemen

Abstract

Mit der vierten Industriellen Revolution und der zunehmenden Automatisierung werden Produktionssysteme immer komplexer. Gleichzeitig steigen aber auch die Anzahl der produzierten Produktvarianten bei gleichbleibenden - wenn nicht sogar gestiegenen - Ansprüchen an die Qualität der Produkte und deren Lieferzeiten, da dies das Alleinstellungsmerkmal vieler europäischer Unternehmen gegenüber der außereuropäischen Konkurrenz ist. Damit erschweren sich die Planbarkeit und die intuitive Übersichtlichkeit im Betrieb der Produktionsanlage. Die Vorgabe, welche Parameterkombination für die Effizienz- und Qualitätsansprüche die optimale Fahrweise ist, lässt sich für den Anlagenführer nicht mehr ohne weiteres aus altbekanntem Wissen schließen, wenn die Anzahl der unterschiedlichen Produkte und Stellgrößen sehr hoch ist und unterschiedliche Fahrweisen möglich wären. Außerdem werden Anfahr- bzw. Einschwingzeiten, das Erkennen von Anomalien, die Ansprüche an Verfügbarkeit und damit an die vorrausschauende Planbarkeit von Wartungszeitpunkten, zum Problem. Mit neuen technologischen Ansätzen aus dem Bereich Internet of Things zum Erfassen, Sammeln und Versenden von Mess- und Steuerdaten in einer modernen Produktionsanlage, erschließen sich viele neue Datenquellen und mögliche Datennutzungen. Bei einer passenden Auswertung dieser Datenmassen mit Data Mining Verfahren ergeben sich Möglichkeiten den Herausforderungen der veränderten Situation gerecht zu werden. Die Anwendung von Data Mining Verfahren und das Interpretieren der Ergebnisse, bedarf bisher jedoch der Kombination aus tiefem Expertenwissen für die Produktionsanlage, sowie das Fachwissen eines Data Scientist, um zu entscheiden, welche Data Mining Algorithmen für die Datenstruktur geeignet sind bzw. wie sich die enorme Menge an Daten verarbeiten lässt. Dies hat es bisher vielen Unternehmen erschwert die datenverarbeitenden Verfahren anzuwenden, selbst wenn die Dateninfrastruktur dafür in neuen Anlagen schon besteht. Mit der vorliegenden Arbeit wird eine Methodik geschaffen werden, mit welcher dieser Fachinput erheblich erleichtert wird. Mit einer Data Mining Vorgehensweise die drei fest vorgeschriebene Schritte umfasst und die für diese Schritte auch einfach anwendbare Algorithmen zur Verfügung stellt, gibt man den Anlagenbetreibern ein Werkzeug an die Hand, mit dem sie zum Teil selbst und mit nur kurzer Unterstützung eines Data Mining Experten wichtige neue Erkenntnisse aus ihren eigenen Daten generieren können. Ziele der drei Schritte sind das Aufdecken des Verhaltens einer Anlage durch Zeitreihen Clustering, dessen angelernte Modellierung durch neuronale Netze und anschließend eine Nutzung dieses Modells für eine Optimierung mit Evolutionären Strategien.

With the fourth industrial revolution and increasing automation, production systems are becoming increasingly complex. At the same time, however, the number of product variants produced increases with the same - if not even higher - demands for product quality and de-livery times, as this is a unique selling point of many European companies compared to their non-European competitors.This handicap planning and clarity in the operation of a production system. The specification of what parameter combination is the best operation mode for given efficiency and quality requirements can no longer be concluded for a system operator without further knowledge. Especially if the number of different products and adjustable variables is very high and different operation modes would be possible. In addition, start-up and settling times, detection of anomalies, demands on availability and thus on a predictable planning of maintenance times, become a problem.With new technological approaches from the area of Internet of Things for capturing, collecting and sending measurement and control data in a modern production plant, many new data sources and possible data uses open up. With a suitable evaluation of these data masses using data mining methods, there are opportunities to meet the challenges of the changed production situation.The application of data mining methods and the interpretation of results, however, has up to now required a combination of in-depth expert knowledge for the production plant, as well as specialist knowledge of a data scientist, to decide which data mining algorithms are suitable for the data structure or how the enormous amount of data can be processed. Up until now, for many companies this has hindered the use data processing methods, even if the data infrastructure for this already exists in new plants.The present work will create a methodology with which this specialist input will be considerably alleviated. With a data mining approach that comprises three fixed steps and which also provides algorithms that are easy to use, plant operators are given a tool that they can use to do some of the work themselves, and with only a brief support from Data mining experts, they can generate important new insights from their own data. The aim of the three steps are to uncover the behavior of a plant through time series clustering, then train a model for this behavior through neural networks and then use of this model for optimization with evolutionary strategies.