Predictive und Prescriptive Maintenance in einer IoT-Factory

Predictive und Prescriptive Maintenance in einer IoT-Factory

 


Projektübersicht

Anzahl Studierende 1
Art Gefördertes Projekt mit externem Partner
Projektverantwortung

Prof. Dr. W. Schenck, N. Migenda, M. Eng.
Projektkontext

Das Projekt findet im Center for Applied Data Science (CfADS) Gütersloh statt.
Projektdurchführung

Luca Steinmann

 

Kurzbeschreibung

Künstliche Intelligenz (KI) ist seit einigen Jahren ein zentrales Thema in der angewandten Computerwissenschaft und Industrieunternehmen sind vermehrt an der Implementierung von KI-Methoden interessiert. Bekannte Anwendungsfälle für KI im industriellen Umfeld sind „Predictive Maintenance“ (PM) und „Condition Monitoring“ (CM). Hierbei gilt es, mittels datenbasierter Modelle Probleme an Maschinen frühzeitig vorherzusagen. Der Begriff „Prescriptive Maintenance“ (PSM) steht im engen Zusammenhang zu den genannten Methoden, geht jedoch noch einen Schritt weiter. Neben der reinen Vorhersage einer möglichen Anomalie wird beim PSM aktiv durch automatisches Anpassen von Stellgrößen oder Reglerparametern eingegriffen, um das tatsächliche Eintreten der Anomalie möglichst weit in die Zukunft zu verschieben. Die PSM-Modelle beruhen auf Methoden des maschinellen Lernens (ML), die in Echtzeit Anomalien detektieren und die Funktionalität bis zur nächsten Wartung sicher- stellen. Klassische Methoden aus dem Gebiet der fehlertoleranten Regelung kommen dabei ebenfalls ergänzend zum Einsatz.

Das Center for Applied Data Science (CfADS) wird ab Anfang 2020 eine IoT-Factory (IoT: Internet of Things) am Campus Gütersloh betreiben, die eine vollständige Fertigungslinie darstellt und u.a. als Testfeld für die Entwicklungvon PM- und PSM-Algorithmen dienen wird. In diesem Forschungsmaster-Projekt geht es darum, solche Algorithmen an einzelnen Fertigungsstationen der IoT-Factory zu entwickeln und zu erproben. Hierbei steht zunächst das effiziente Erfassen von großen Datenmengen im Vordergrund. Das Aufnehmen von großen Messreihen ist eine oft unterschätzte Hürde. Lange und überflüssige Versuche sind oftbeklagte Kosten in Industrieunternehmen. Zur optimalen Aufnahme von Messreihen gilt es deshalb, Verfahren aus dem Bereich „Design of Experiments“ (DoE) anzuwenden.

Bevor Verfahren der PM und PSM auf die Rohdaten angewendet werden können, sind diese aufzubereiten. Anforderungen hierbei sind das Aufnehmen und die Vorverarbeitung der Rohdaten in Echtzeit. Eine wichtige Frage in diesem Zusammenhang ist, wie eine solch umfassende Datensammlung effizient und zeitsparend organisiertwerden kann. Die so aufbereiteten Daten können im Weiteren zum Erstellen von ML-Modellen verwendet werden, welche die Fertigungsstationen der IoT-Factory beschreiben. Diese ML-Modelle können außerdem mit physikalischen Modellen zu sog. „Greybox-Modellen“ kombiniert werden, um die Vorhersagegüte zu verbessern. Die so gelernten Modelle sind die Grundlage dafür, PM- und PSM-Algorithmen zu entwickeln. Hierbei steht die Interpretierbarkeit der Modelle im Vordergrund, damit beim Detektieren von Anomalien auf die Ursache geschlossen und diese behoben werden kann.

Aufgabenstellung

Der / Die Studierende soll im Rahmen des Projekts eine datenbasierte ML-Toolchain für Predictive und Prescriptive Maintenance (PM/PSM) für mindestens eine Fertigungsstation in der IoT-Factory des CfADS entwickeln. Die wesentlichen Meilensteine ergeben sich dabei aus den in der Kurzbeschreibung geschilderten Einzelschritten.

Die Aufgabe des / der Studierenden ist, den beschriebenen Workflow in der CfADS-internen Infrastruktur umzusetzen. Hierzu gilt es, sich zunächst in die Problemstellung von PM/PSM in Bezug auf Industrial IoT einzuarbeiten. In enger Zusammenarbeit mit dem CfADS-Team soll ein konkreter Workflow erstellt werden. Der / Die Studierende soll in diesem Zusammenhang das Sammeln und Verarbeiten von „Big Data“ an der IoT-Factory und der CfADS-Cloud erlernen. Mit den erfassten Datenmengen sollen im Weiteren ML-Modelle zur Online-Anomalie-Erkennung implementiert werden. Das Erlernen einer großen Spannbreite an ML-Verfahren steht im Vordergrund. Abschließend soll sich der / die Studierende basierend auf dem vorherigen Benchmarking der ML-Verfahren auf ein Verfahren spezialisieren und dieses hinsichtlich PM und PSM optimieren.

 

Bezug zum Thema Data Science
Dieses Projekt adressiert in allen seinen Teilen wesentliche Fragestellungen, die sich aus dem Einsatz von Data-Science- und Data-Engineering-Methoden im industriellen Kontext ergeben.

 

Verfügbare Ressourcen

  • Der Ansprechpartner im CfADS wird über die volle Projektlaufzeit zur Verfügung stehen
  • Die CfADS-IoT-Factory und der CfADS-Rechencluster (mit umfassendem ML-Software-Toolstack) stehen während der Projektlaufzeit zur Verfügung (Factory voraussichtlich ab Februar 2020)

 

Projektplan
Erstes Semester: 
Das Ziel des ersten Semesters ist die Einarbeitung in den Workflow von PM und PSM und der dabei verwendeten ML-Methoden. Außerdem gilt es, sich mit den Grundlagen der CfADS-IoT- Factory und der CfADS-Cloud vertraut zu machen. Die Prüfungsleistung ist das Erstellen eines Forschungsexposés auf Englisch und ein dazugehöriges Kolloquium.

Zweites Semester: 
Zum Erstellen von ML-Modellen für PM und PSM werden Daten benötigt. Hierfür gilt es, eine systematische Vorgehensweise zum Erstellen von Versuchen zu entwickeln (DoE), mit denen Messreihen an der IoT-Factory gesammelt und in der Cloud verarbeitet werden können. Die Vorgehensweise ist stark an dem im ersten Semester erstellen Workflow angelehnt. Die Umsetzung dieses Workflows an der realen IoT-Factory soll in Form eines Papers als Prüfungsleistung gewertet werden. Die Ergebnisse werden idealerweise im Rahmen einer Konferenz präsentiert.

Drittes Semester: 
Basierend auf der gesammelten Datenbasis ist das Implementieren von ML-Algorithmen für die Anomaliedetektion Hauptbestandteil des dritten Semesters. Hierfür sollen auf Basis der gesammelten Daten aus der IoT-Factory mittels der ML-Methoden, welche Bestandteil der Einarbeitung im ersten Semester waren, datenbasierte Modelle erstellt werden. Ein ausführliches Benchmarking dieser Algorithmen hinsichtlich ihrer Eigenschaften zur Anomaliedetektion in Paper-Format ist als Prüfungsleistung angedacht. Auch hier ist das Präsentieren im Rahmen einer Konferenz erwünscht.

Viertes Semester: 
Inhalt der Masterarbeit ist die Auswahl eines zuvor implementierten Algorithmus und dessen Optimierung hinsichtlich PM/PSM. Hierbei gilt es, sich spezifisch mit einem Algorithmus zu beschäftigen und diesen weiter zu entwickeln. Die Ergebnisse werden in der Masterarbeit dargestellt. Ergänzend ist das Schreiben eines Journal-Papers möglich. In jedem Fall wird die Masterarbeit mit einem Kolloquium abgeschlossen.

 

Eignungskriterien
Zwingend:

  • Bachelorabschluss in einer einschlägigen Fachrichtung (Informatik, Elektrotechnik, Mechatronik, angewandte Mathematik, Kognitionswissenschaft o.ä.)
  • Umfassende Programmierkenntnisse in mindestens einer objektorientierten Programmiersprache
  • Gute mathematische Kenntnisse in linearer Algebra und Differentialrechnung
  • Fließendes Englisch in Wort und Schrift

Optional:

  • Umgang mit Matlab/Simulink
  • SPS-Programmierung
  • Praktische Erfahrung mit mechanischen Aufbauten

 

Erwerbbare Kompetenzen
Der / die Studierende ist nach Abschluss des Projekts in der Lage,

  • einen Big-Data-Workflow im industriellen Kontext aufzusetzen (Datenerfassung, -speicherung und -aufbereitung),
  • Methoden der statistischen Versuchsplanung für die Datenerhebung sinnvoll einzusetzen,
  • die im industriellen Kontext relevanten ML-Verfahren zielgerichtet anzuwenden und anwendungsbezogen anzupassen und ggf. weiterzuentwickeln,
  • datenbasierte Algorithmen bzgl. ihrer Eignung für Predictive und Prescriptive Maintenance korrekt einzuschätzen,
  • die theoretischen Anforderungen von ML-Verfahren mit den Erfordernissen der Praxis in einer realen Fertigungslinie in Einklang zu bringen,
  • die eigenen Forschungsergebnisse vor einem Fachpublikum zu präsentieren
  • und wissenschaftliche Texte zu verfassen