Analyse und Diagnose

Intelligente Analyse und Diagnose ist ein wesentlicher Bestandteil in den Anwendungsfeldern Cyber-physikalische Produktionssysteme und Industrie 4.0: Intelligente Assistenzsysteme, basierend auf Methoden zur Analyse und Diagnose von Maschinen und Anlagen erleichtern die Entwicklung, Wartung und Service für den menschlichen Nutzer.

Dieser Kompetenzbereich erweitert die Automationstechnik um die intelligente Analyse von produktionstechnischen Prozessen. Der wissenschaftliche Schwerpunkt liegt in der Anwendung von Methoden der künstlichen Intelligenz auf die Automation. Ziel ist es dabei, technische Komplexität durch intelligente Assistenzsysteme dem Menschen einfacher zugänglich zu machen.  

Die Abfolge der dafür notwendigen Schritte ist dabei stets ähnlich:
Zuerst werden alle relevanten Daten einer Produktionsanlage erfasst, hierbei sind Herausforderungen wie die Zeitsynchronisation, epistemische Unsicherheit und der Umgang mit heterogenen Systemen Schwerpunkte der Forschung. Die Informationsfusion erlernt dann, basierend auf den erfassten Daten, ein konsistentes Bild des aktuellen Systemzustandes, die Symptome. Ziel ist die Generierung höherwertiger Informationsqualität, wobei die Definition einer „höheren Qualität“ kontextabhängig in Bezug auf ein System ist.

In einer Lernphase wird basierend auf den Symptomen ein Modell des Systemverhaltens erlernt, hier kommen maschinelle Lernverfahren zum Einsatz. In einem anschließenden Schritt werden zur Laufzeit diese Modelle verwendet, um Fehler, Verschleiß (z. B.Condition Monitoring) und suboptimale Zustände wie z. B. ein schlechter Energieverbrauch zu erkennen.

Datenerfassung:
Aktuell scheitert eine zentrale, zeit-synchronisierte Erfassung aller Daten (z.B. Sensorikdaten, Aktoren, Energie, etc.) an der Heterogenität der Automationstechnik. Aus diesem Grund arbeitet das inIT auf dem Gebiet der Middleware-Ansätze bzw. service-orientierten oder agentenorientierten Architekturen für die transparente Erfassung aller Daten.

Informationsfusion:
Basierend auf den erfassten Daten erfasst die Informationsfusion ein ganzheitliches Abbild von Produktionsanlagen und wie deren Leistungsfähigkeit im Sinne einer optimalen Qualitätssicherung zu erreichen ist. Ziel sind kontextbasierte antizipatorische Multi-Sensorfusionssysteme. Wesentliche Themenkreise, die im inIT bearbeitet werden, beziehen sich einerseits auf die Erforschung von Evidenztheorie-basierenden Konzepten zur Sensorfusion, und andererseits werden mit Hilfe neuer Zugänge im Bereich der Glaubenstheorie Informationen auf ihre Glaubwürdigkeit hin untersucht (siehe Abbildung 1).

Kontext-basierter Informationsfusionsprozess
Kontext-basierter  Informationsfusionsprozess

Anomaliedetektion:
Eine manuelle Modellierung des für eine Fehlererkennung notwendigen Wissens ist heute kaum noch möglich: Anlagen sind zu komplex, Menschen so beschäftigt, und viele Zusammenhänge sind auch Experten unbekannt. Ein Ausweg ist das automatische Lernen von Modellen basierend auf Systembeobachtungen (siehe Abbildung 2). Aktuell werden hierbei Methoden zum Lernen zeitbehafteter Automaten, von hybriden Modellen und von Ensemble-Klassifikatoren betrachtet (siehe Abbildung 3).

Phänomenologische Analyse
Phänomenologische Analyse
Modellbasierte Analyse
Modellbasierte Analyse
Semantische Patentanalyse
Semantische Patentanalyse

Intelligente Optimierung

Modellbasierte Systeme werden nicht nur zur Anomalieerkennung genutzt, sondern auch zur System­optimierung. Sie erlauben die Realisierung typischer Industrie-4.0-Szenarien: Automatische Energie- und Mengendurchsatzoptimierung.

Abbildung 5 zeigt das typische Prinzip der Selbstoptimierung: Zunächst wird ein Modell des Systems durch Methoden des maschinellen Lernens erstellt. Optimierungsziele können dabei sein: Energieverbrauch, Durchsatz, etc. Aus dem jeweiligen Domainenwissen heraus wird eine optimierte Konfiguration des System erzeugt, z. B. durch Erstellen neuer Modelle basierend auf Systemgleichungen. Mit Hilfe von Schätzern, die „Was-wäre-wenn“-Analysen liefern, entsteht ein rekursiver Optimierungsprozess, der schlussendlich zu einer Rekonfiguration des automatisierungstechnischen Systems führt.

Konzept der Selbstoptimierung
Konzept der Selbstoptimierung
Energie Optimierung; die rote Kurve zeigt die Standardenergieaufnahme, die blaue Kurve zeigt die optimierte Energieaufnahme
Energie Optimierung

Professor

Prof. Dr. Volker Lohweg
E-Mail: volker.lohweg(at)hs-owl.de
Phone: +49 (0) 5261 - 702 2408
Fax: +49 (0) 5261 - 702 2409

Prof. Dr. Oliver Niggemann
E-Mail: oliver.niggemann(at)hs-owl.de
Phone: +49 (0) 5261 - 702 2403
Fax: +49 (0) 5261 - 702 2409