Einsatz von neuronalen Netzen zur automatischen Überwachung einer Fertigungsanlage im Online-Modus

Abstract:
In diesem Beitrag stellen die Autoren eine neuartige effiziente Verarbeitung von heterogenen Messdaten vor, welche eine bei Smart Cities geforderte Flexibilität und Effizienz bei Produkten, Produktionsverfahren und Dienstleistungen gewährleistet und so zur Energie- und Ressourcenschonung beiträgt. Ziel des Vorhabens war die Auswertung von hochdimensionalen Daten unterschiedlichster Sensoren eines deutschen Stahlkonzerns im laufenden Produktionsbetrieb zur Online-Überwachung einer Produktionsanlage. Um diese Zielsetzung zu gewährleisten wurden auf Basis von Differenz-Leistungsspektren (DLS) spezielle Vorverarbeitungsstrategien und hybride neuronale Netzstrukturen verwendet. So gelang es, auftretende Störungen im Online-Modus frühzeitig zu erkennen und Handlungsunterstützungen für den Maschineführer zur Meldung zubringen. Dadurch konnten Fehler an einzelnen Maschineteilen rechtzeitig erkannt und behoben werden, Maintenance-Zeiten ressourcenschonend definiert und unnötige Standzeiten der Maschine minimiert werden. Zur aufgabenspezifischen Merkmalsextraktion wurden im ersten Verarbeitungsschritt die Sensorwerte mittels der DLS-Verfahren von Störeinflüssen (z.B. Vibration der Anlage, Einflüsse benachbarter Maschinen) bereinigt, um nur die relevanten Informationsanteile der Sensorik der weiteren Datenverarbeitung zuzuführen. Diese wurde durch eine Kombination unterschiedlicher neuronaler Netzwerkstrukturen vollzogen, die eine prädiktive Aussage über das zukünftige Verhalten der Anlage ermöglichten. Speziell leistete eine modifizierte SOM (Self Organising Maps)-Struktur eine Identifikation/Klassifikation der unterschiedlichen Fehlerarten und eine Backpropagation-basierte Struktur eine Zusammenführung der Einzelzustände eine globale Zustandsanalyse der Anlage. Der wesentliche Vorteil des gewählten Ansatzes besteht in der hohen Flexibilität hinsichtlich unterschiedlichster Signalstrukturen, was eine deutliche Reduktion von Fehlalarmen sowie der Möglichkeit auch bis dato unbekannte Szenarien nachzulernen, beinhaltet.