Cluster Mechatronik & Automation

News

15.05.2018

Smart Data anstatt Big Data – Warum Experten auch in Zukunft eine Rolle bei datengetriebenen Analysen spielen werden

Moderne cyberphysische Produktionssysteme (CPS) generieren eine immer größer werdende Menge an Daten. Mit dem Einzug von Industrie 4.0 Konzepten in die Produktion versuchen Unternehmen diesen Datenschatz zu heben. Die Analyse dieser Daten kann beispielsweise unbekannte Zusammenhänge aufdecken und so zur Steigerung der Anlagenverfügbarkeit oder für zusätzliche Dienstleistungen benutzt werden. Hierbei spielen Big Data Technologien für die Verarbeitung eine entscheidende Rolle. Klassische Ansätze, wie Expertensysteme, stoßen hierbei schnell an Ihre Grenzen und sind nicht ohne weiteres einsetzbar.


Die Verwendung von Data Mining Ansätzen verspricht eine aufwandsarme, maschinelle Analyse der Daten um den gewünschten Erkenntnisgewinn zu erzielen. Auf Basis historischer Daten werden beispielsweise neuronale Netze zur Erkennung von Abweichungen zwischen Ist- und Sollverhalten bzw. zur Vorhersage von Zielgrößen verwendet. Data Mining Ansätze sind bereits großflächig bei der Analyse von Daten aus sozialen Netzwerken im Einsatz.


Entgegen der Versprechungen scheitern diese aber meist im Umfeld der Produktion. Dies hat vielfältige Gründe, welche durch die spezifischen Charakteristika eines Produktionsprozesses begründet sind. Die zur Analyse verwendeten statistischen Verfahren sind stark abhängig von den bei der Modellerstellung verwendeten Daten. Sind im vorliegenden Datensatz bestimmte Zusammenhänge nicht enthalten, kann das Modell diese nicht erkennen. Im Umfeld von Produktionsprozessen ist dies oft der Fall: Die aufgezeichneten Daten enthalten beispielsweise eine geringe Anzahl an Produktionsfehlern, da diese durch optimierte Produktionsparameter gezielt minimiert werden. Dies erschwert die korrekte Erkennung von Fehlern durch Datenanalysemodelle erheblich, da Vergleichsdaten fehlen. Ein anderes Beispiel ist die Verteilung der Daten. Maschinenparameter werden auf Basis langjähriger Erfahrung für eine hohe Qualität des Produkts angepasst. Die Variation in den Daten ist dementsprechend gering. Ein Analysemodell ist deshalb meist blind für komplexe Wechselwirkungen zwischen Parametern, welche aufgrund der geringen Variation im Datensatz kaum abgebildet sind. Während Expertensysteme dieses Wissen explizit enthalten und so Situationen beschreiben können, welche nicht im Vergleichsdatensatz enthalten sind, scheitern datengetriebene Methoden hier.


Smart Data beschreibt einen Ausweg aus diesem Dilemma: Die gezielte Auswahl von Vergleichsdaten aus dem ursprünglichen Datensatz durch Experten in Zusammenarbeit mit Datenanalysten und die gezielte Einbringung von Wissen in den Analyseprozess können die Güte der Modelle dramatisch verbessern. Im Projekt SIDAP (Skalierbares Integrationskonzept zur Datenaggregation, -analyse, -aufbereitung von großen Datenmengen in der Prozessindustrie, www.sidap.de) werden solche Smart Data Ansätze am Beispiel der Ventilfehlerdiagnose in verfahrenstechnischen Prozessen entwickelt und erprobt.

 

Expertenwissen im Analyseprozess


Verfahrenstechnische Prozesse sind zumeist komplexe, kontinuierliche Produktionsprozesse. Ein Ziel von SIDAP ist es, aus Daten auf den Zustand der im Prozess eingebauten Ventile schließen zu können und so drohende Anlagenausfälle vorherzusagen. Hierfür werden neben den aufgezeichneten Sensorsignalen auch Daten aus dem Engineering, der Wartung, Materialkennwerte, sowie Expertenwissen verwendet.
Die verwendeten Prozesssignale beschreiben neben dem Ventilverhalten auch die überlagerte Prozessdynamik, welche durch Stoffumsetzungen in den Reaktoren beeinflusst wird. Diese überlagerte Prozessdynamik wird vom datengetriebenen Ventildiagnosealgorithmus nicht als solche erkannt und kann zu Fehlalarmen führen.  Dies betrifft insbesondere transiente Phasen, wenn beispielweise die Anlage wegen eines Fehlers heruntergefahren wird. Auch eine Erhöhung der verfügbaren Datenmenge schafft hier keine Abhilfe, da vor allem transiente Phasen oftmals sehr unterschiedliches Verhalten (z.B. zeitabhängige Schwankungen, unterschiedliche Rampen etc.) zeigen. Die Betriebszustandsinformationen, welche die Prozessdynamik beschreiben, sind im Ursprungsdatensatz nicht enthalten und wurden bisher manuell durch Prozessexperten auf Basis von Sichtung und Klassifikation ergänzt. Da sich ein solches Verfahren nicht für das automatisierte Condition Monitoring eignet, werden diese Informationen innerhalb von SIDAP auf Basis von mit Expertenwissen angereicherten Datenanalyseverfahren wiederhergestellt.


Abbildung 1 zeigt den entwickelten Analyseprozess zur expertenunterstützten Klassifikation der Betriebszustände. In Zusammenarbeit mit Prozessexperten entwickeln Datenanalysten ein Analysemodell. Im vorliegenden Beispiel wurde hierfür ein k-Means Algorithmus verwendet, welcher Datenpunkte nach Ihrer Ähnlichkeit bewertet und diese in Clustern zusammenfasst. Neben der Vorgabe der Anzahl an zu findenden Clustern ist auch die Auswahl der Prozessdaten (z.B. Drücke, Durchflüsse, Temperaturen) entscheidend. Weiterhin können berechnete Größen (z.B. Ableitungen) zur Beschreibung von Vorteil sein. Aufgrund der Komplexität bei der Parameterbeeinflussung und der Bewertung der Ergebnisse kann hier Expertenwissen die Analyse erheblich vereinfach und verbessern.
Aus diesen Gründen wurde im Analyseprozess gezielt versucht, das Expertenwissen zur Vereinfachung und Verbesserung einzusetzen. Nach einer Voranpassung durch den Prozessexperten auf Basis von Hintergrundwissen kann das Analyseergebnis über eine graphische Schnittstelle beeinflusst werden. Clusterzahl, verwendete Variablen und die Möglichkeit, gefundene Cluster weiter zu unterteilen bzw. zusammenzufassen dienen als Parameter zur Interaktion mit dem Algorithmus. Abschließend kann der Experte das Modell gezielt auswählen um es als Vorverarbeitungsschritt bei der Ventildiagnose zu verwenden.
Das entwickelte Verfahren bindet somit Prozessexperten gezielt in den Datenanalyseprozess ein. Während Datenanalysten die Modellentwicklung begleiten, kann der Experte sein Hintergrundwissen gezielt einbringen. Ein rein datengetriebener Ansatz kann hier auch bei größeren Datenmengen kein zufriedenstellendes Ergebnis erzielen. Wichtig ist, die Hürden für die Erhebung von Expertenwissen klein zu halten, um das Wissen möglichst effizient zu berücksichtigen. Aus diesem Grund sind intuitive graphische Schnittstellen und eine enge Interaktion auf Basis eines gemeinsamen Verständnisses zwischen Experte und Datenanalyst wichtig.


Zusammenfassung und Ausblick
Moderne Produktionssysteme, steigende Verfügbarkeit von Rechenleistung, sowie der Einsatz von Big Data Technologien sind wichtige Faktoren bei der Umsetzung von Industrie 4.0 in die Produktion. Data Mining Verfahren, wie sie aus anderen Branchen bekannt sind, sind im diesem Umfeld nur begrenzt einsetzbar. Die in den Daten enthaltenen Information, als auch die Komplexität der physikalischen Phänomene sind hier ein Hindernis. Durch die Kombination aus datengetriebenen Analysen mit Expertenwissen und der gezielten Auswahl der Daten wird aus Big Data Smart Data. Neben einer Verbesserung der Analyseergebnisse wird auch die erforderliche Datenmenge verringert, da bekannte Zusammenhänge, welche in den Daten nicht sichtbar sind, gezielt abgebildet werden. Das Konzept von Smart Data bietet eine pragmatische Möglichkeit zur Umsetzung von Datenanalysen im Umfeld der Produktion, welche sich auch in weiteren Anwendungsfällen effizient umsetzen lässt.


Danksagung
Wir bedanken uns beim Bundesministerium für Wirtschaft und Energie (BMWi) für die Förderung des Projekts SIDAP (Förderkennzeichen 01MD15009F), als auch bei den Konsortial- und Kooperationspartnern des Projekts.


Autor

Emanuel Trunzer

 

Kontakt:
Technische Universität München
Lehrstuhl für Automatisierung und Informationssysteme
Boltzmannstraße 15
85748 Garching bei München
+49 89 289 16448
emanuel.trunzer@tum.de
www.ais.mw.tum.de



Schriftgöße: 
Schriftgrösse grossSchriftgrösse mittelSchriftgrösse normal
••• Suche •••
••• News •••

17.05.2018

Workshop im Rahmen des InnoPeer AVM-Projekts

Organisationaler Wandel durch Industrie 4.0 am 6. ...


15.05.2018

Exportpreis Bayern 2018

Besondere Auszeichnung für kleine und mittelgroße ...


15.05.2018

Smart Data anstatt Big Data – Warum Experten auch ...

Moderne cyberphysische Produktionssysteme (CPS) ge...


••• Newsletter •••

Immer auf dem neuesten Stand sein! Jetzt unseren Newsletter abbonnieren.

Internationales Forum Mechatronik
mechatronikakademie
Cluster Offensive Bayern
ESF in Bayern
Cluster Mechatronik & Automation e.V. mit dem Clusterlabel Silber ausgezeichnet
Kompetenzatlas Elektromobilität Bayern
Mechatronik
 
Newseinzelmeldung Newseinzelmeldung  Impressum / Datenschutz    |    Sitemap    |    AGB    |    Drucken