FR Informatik

Abschlussvortrag: Datenerhebung an einer Modellfabrik zur Vorhersage von Ausfällen mit Hilfe neuronaler Netze

Bachelor-Abschlussvortrag von Moritz Zimmer

Betreuer: Prof. Dr. Peter Beise

Mitglieder der Hochschule, die Interesse an dem Vortrag haben und diesen live verfolgen wollen, wenden sich bitte an den Betreuer der Arbeit.

Kurzfassung:
Um die Forschung im Bereich von Predictive Maintenance und Industrie 4.0 voranzutreiben, ist die Verfügbarkeit gut dokumentierter realitätsnaher Datensätze, um Methoden des maschinellen Lernens in diesen Bereichen zu entwickeln, von großer Bedeutung. Predictive Maintanance ist eine Instandhaltungsstrategie, deren Ziel das Aufdecken potenzieller Störungen ist, bevor diese zu Ausfällen in der Produktion führen. Um dies zu erreichen, müssen große Datenmengen in Echtzeit zentral gesammelt und verarbeitet werden. Eine Betrachtung der öffentlich zur Verfügung stehenden, realitätsnaher Datensätze zeigt, dass diese überschaubar und zumeist unzureichend sind. In dieser Arbeit wird gezeigt, wie mit Hilfe einer Fischertechnik Modellfabrik ein solcher Datensatz erhoben und zum Training eines siamesischen neuronalen Netzes verwendet wird. Zu diesem Zweck ist die Modellfabrik des IoT-Labors der Universität Trier mit einer Vielzahl an Aktoren und Sensoren ausgestattet. Diese werden in dieser Arbeit analysiert, um einen Eindruck darüber zu vermitteln, welche Daten zur Verfügung stehen und wie diese zu interpretieren sind. Wie in klassischen Steuerungen üblich, ist ein Teil der Sensorik, wie Lichtschranken und Endschalter, für den Ablauf zuständig. Darüber hinaus kann über Differenzdrucksensoren an den pneumatischen Systemen und über Vibrationssensoren an Motoren eine Aussage über den Zustand dieser Systeme getroffen werden. Weiterhin kann die Anlage über semantische Services betrieben werden und besteht aus zwei Fertigungsstraßen mit insgesamt 15 unabhängigen Modulen. Alle diese Module sowie die zusätzlichen Sensoren veröffentlichen ihre Daten über den Event-Streaming-Dienst Kafka. Um diese Datenmenge nach einer Aufnahme zu speichern, wurde ein Programm entwickelt, welches sämtliche Daten über den Zeitraum der Aufnahme konsumiert und speichert. Damit sich die Flexibilität heutiger Produktionsstätten in den Daten wiederfindet und nicht immer die gleichen Abläufe stattfinden, wurde eine grafische Benutzeroberfläche geschaffen, welche es erlaubt, mit Hilfe der semantischen Services individuelle Arbeitsabläufe auf der Fabrik zu planen und auszuführen. Über die integrierte Fehlersimulation lässt sich eine Vielzahl der Komponenten manipulieren, um Störungen zu erzeugen, welche sich über einen definierten Zeitraum entwickeln, bis die manipulierte Komponenten als funktionaler Ausfall betrachtet werden kann. Dadurch können die, durch die Fehlersimulation entstandenen, Muster in den Daten ebenfalls frühzeitig erkannt werden. Eine Herausforderung, die sich stellte, war das automatische Markieren der Fehlerläufe. Über die speziell zur Fehlerdokumentation verfügbaren Kafka-Topics wurde ein Skript erstellt, welches relevante Informationen der Fehlerfälle in einem geeigneten Format zur Weiterverarbeitung speichert. Im Laufe dieser Arbeit ist ein Datensatz von 13 Stunden Laufzeit und insgesamt 60 Klassen einstanden. Vor dem eigentlichen Training des siamesischen neuronalen Netzes wurden relevanten Merkmale visualisiert, um bestätigen zu können, dass der Ablauf erst gegen Ende der Fehlersimulation beeinträchtigt wird. Durch den großen Aufwand, welcher betrieben werden musste, um einen solchen Datensatz zu erheben, können in dieser Arbeit nur erste Ergebnisse des Trainings des siamesischen Netzes gezeigt werden. Aus den Ergebnissen geht hervor, dass die Klassifizierung zwischen Fehlerzustand und gesundem Zustand der Anlage erfolgreich war. Die Differenzierung der Fehlerzustände ist aber noch nicht gelungen. Hier bedarf es noch weiterer Analysen und Anpassungen, um bessere Ergebnisse zu erzielen.

Ort: ONLINE
back-to-top nach oben