Neue Publikation in ISA Transactions [12.07.21]
Christian Krupitzer vom Fachgebiet Lebensmittelinformatik ist Co-Autor der Publikation "A Machine Learning-based Workflow for Automatic Detection of Anomalies in Machine Tools" im ISA Transactions (Impact Factor: 5.468).
Die Publikation "A Machine Learning-based Workflow for Automatic Detection of Anomalies in Machine Tools" von Marwin Züfle (Universität Würzburg) mit den Co-Autoren Felix Moog (Bosch Rexroth AG), Veronika Lesch (Universität Würzburg), Christian Krupitzer (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) und Samuel Kounev (Universität Würzburg) wurde im Elsevier ISA Transactions (Impact Factor: 5.468) veröffentlicht.
Produktionsprobleme bei Volkswagen im Jahr 2016 führten zu dramatischen Umsatzeinbußen von bis zu 400 Millionen Euro pro Woche. Dieses Beispiel zeigt die enormen finanziellen Auswirkungen von Ausfällen und Stillstandszeiten in Produktionsanlagen. Doch trotz der rasanten Entwicklungen im Bereich Internet-of-Things und den daraus resultierenden Verbesserungen bei der sensorbasierten Datenerfassung steckt die Nutzung der gesammelten Daten in Industrie-4.0-Fertigungssystemen noch in den Kinderschuhen. Im Gegensatz dazu gibt es bereits mehrere akademische Ansätze zur Nutzung von Sensordaten für die Erkennung von Maschinenausfällen. In den letzten Jahren basierten diese Ansätze oft auf der Konstruktion von Deep Neural Networks. Da diese Modelle jedoch große Mengen an Trainingsdaten benötigen, greifen die Forscher meist auf Simulationsdaten zurück. Allerdings können Simulationen reale Prozesse, wie sie in der Fertigung vorkommen, nicht mit hinreichender Genauigkeit abbilden. Außerdem ist es in industriellen Anwendungen oft nicht praktikabel, große Datenmengen für das Training zu sammeln, da dies hohe Kosten und einen langen Messzeitraum verursachen würde. Darüber hinaus ergibt sich in der Industrie 4.0 durch die Flexibilität der Arbeitsprozesse und die Vielfalt der Aufgaben die Notwendigkeit, die Detektionsmodelle kontinuierlich anzupassen. Dies macht die Generierung von riesigen Trainingsmengen noch unpraktikabler. Um diese Lücke zwischen akademischer Theorie und industrieller Praxis zu schließen, stellen wir einen Ansatz vor, der Domänenwissen über Fertigungssysteme in ein auf maschinellem Lernen basierendes Workflow integriert, um den aktuellen Produktionsmodus einer Mehrzweck-Produktionsmaschine sowie ihren Degradationszustand zu identifizieren. Ein Vorteil dieses Ansatzes ist, dass es sich um einen hochgradig verallgemeinerbaren End-to-End-Workflow handelt, der von der Rohdatenverarbeitung, Phasensegmentierung, Daten-Resampling und Merkmalsextraktion bis hin zur Erkennung von Werkzeugmaschinenanomalien reicht. Um den aktuellen Produktionsbetrieb zu identifizieren, wendet der Workflow unüberwachte Clustering-Techniken an, während er für die Erkennung vorhandener Degradationen überwachte Klassifizierungsmodelle verwendet. Die grundlegende Anforderung an eine Industrie-4.0-Anwendung ist die Fähigkeit, aus sehr wenigen Daten zu lernen. Aus diesem Grund beinhaltet der vorgeschlagene Workflow eine Resampling-Strategie zusammen mit klassischen maschinellen Lernmethoden, um zwischen normalem und abnormalem Werkzeugmaschinenverhalten zu unterscheiden. Die Auswertung auf Basis von Daten einer realen Mehrzweckmaschine bestätigt dies, denn der vorgeschlagene Workflow erkennt Anomalien mit einem durchschnittlichen F1-Score von fast 91%.
Die Publikation ist in ScienceDirect abrufbar.
