Wie Expertenwissen KI-Modelle stärkt und warum dies als ... · dataaheadanalytics.ch holsten.io 1...

dataaheadanalytics.ch holsten.io 1

Wie Expertenwissen KI-Modelle stärkt und warum dies als Prozess gelebt werden muss


Ein hybrides Modell aus dem Zusammenspiel daten-gestützter/ betriebsmodell-gestützter Analyse

Anomale BetriebszuständeAnomale Signale innerhalb eines

Betriebszustands

Experte selektiert „plausible“ Anomalien „on-the-job“

Gefundene Anomalien werden in Betriebsmodell übernommen

Daten werden durch Betriebsmodell vor-

prozessiert

Daten-gestützte Methoden finden

Anomalien


Trends in der Digitalisierung

• Schnelle Digitalisierung trifft auf „30 Jahre Anlagentechnik“

• Modulare, leichtgewichtige, interoperable Lösungen überholen integrierte Systeme

• Expertenwissen stärkt daten-getriebene Analyse-Verfahren wenn als Prozess gelebt


Dynamik in Daten und Technologie erfordert iteratives Vorgehen

Dataquellen integrieren

Datenexploration, Visualisierung, Prozessierung

Modellentwicklung

UI für Modell

Business Use Case verstehen

Saubere Datenaufnahme

Modell einsetzen

Ergebnisse integrieren

Wertschöpfung

Data Science Lebenszyklus

Systemintegration

1 2

3

4

5

6.1

78

6.2


Herausforderungen der Digitalisierung

• Hochqualitative Daten aus

Produktionsanlagen sind teuer

• Heterogenität lähmt Integration

skalierbarer Data-Science-Anwendungen

• Proprietäre Legacy-Systeme bieten

wenig Flexibilität zur Erweiterung

bestehender / Implementierung neuer

Anwendungen


KI-Entwicklung: Was benötigt am meisten Zeit?

60%19%

21%

Daten bereinigen undorganisieren

Daten bereitstellen

"Data Science"


DemonstratorStromanalyse im Zeitalter der KI


Nicht-invasive Strommessung als Retrofit-Lösung


Stromanalyse als Grundlage für die Umsetzung vielfältiger Anwendungen

• Fingerprinting von Maschinenprozessen

• Produktionsprozesse optimieren

• Verschleißindikatoren erkennen

• Netzqualität und Feuerschutz in der

Fertigung

• Maintenance-Unterstützung

• Fehler in Systemkonfiguration erkennen

• Prozessaudit durch / für Kunden

• OEE-Berechnung und Energie-Audit

• Carbon Accounting

• Qualitätssicherung während des

Herstellungsprozesses


Können Anomalien in Produktionsverfahrenüber Stromanalyse erkannt werden?

Anomale Betriebszustände

Anomale Signale innerhalb eines Betriebszustands

- Durchsatz mit veränderter Geschwindigkeit

- Fehlen eines erwarteten Ablaufs- Zusätzlicher Ablauf- Abläufe in veränderter Reihenfolge- Unerwartete Abläufe

- Nachhaltige Veränderung• im Signalniveau• im Signalrauschen

- Spontane Auffälligkeiten• in der Periodizität (falls gegeben)• in der Signalamplitude

Betriebsmodell-gestützter Ansatz

Rein daten-gestützter Ansatz

Hybride Modelle


Vorgehensweise

AnsätzeRohdatenbasis

− Betriebsmodell: klassische Signalanalyse

• Median-Filter

• Min-/Max-Betrachtung

• Bewertung der Ergebnisse

− Datengetriebener Ansatz:

• Detektion spontaner Änderungen im Signalniveau (Changepoints)

• kurzzeitigen Spitzenwerten

• Störungen in der Periodizität des Signals

• spontanen Ausreißern

− Konzeptionierung der Zusammenführung beider Ansätze in ein hybrides Modell

− Messung der Stromaufnahme mit 1,5 kHz Abtastrate

− Normale Betriebsfälle:

• Ein Durchlauf pro Aufzeichnung, Dauer von ca. 25 Sek., 10 x wiederholt

• Mehrere Durchläufe pro Aufzeichnung, Dauer ca. 200 Sek., 4 x wiederholt

− Anomale Betriebsfälle:

• 6 anomale Betriebsfälle wurden durch physisches Eingreifen simuliert

• Mehrere Durchläufe pro Aufzeichnung, Dauer ca. 100-180 Sek., jeder Fall wurde10 x wiederholt


Anlauf

Fördermotor

Stanzen Anlauf Fördermotor

Zeitlicher Versatz

Normalbetrieb und gebremstes Förderband


Rohdaten

Median-Filter

Min/Max-Filter

Bewertung 1

Bewertung 2

Bewertung 3

Betriebsmodell-gestützte Analyse


Daten-gestützte Bestimmung von Metadaten im Signal

DatenNormalisierte

DatenSpikes

PeriodizitätAnomalien

Changepointsfinden, Daten für jeden einzelnen Bereich normalisieren

In normalisierten Daten Spikes identifizieren

Für jeden einzelnen Bereich Periodizität in Spikes erkennen

Spikes außerhalbder Periodizität als Anomalien kennzeichnen

Weitere Anomalien

Anomaliedetektionaußerhalb der Metadaten des Signals

Z. B. DBSCAN Clustering

Vorgehensweise daten-getriebener Ansatz


Changepoints: Level-Shift-Detektions-Algorithmus

Störungen in der Periodizität

Kurzzeitige Spitzenwerte (Spikes)

Spontane Ausreißer

Daten-getriebene Anomalieerkennung


Deutlich mehr Anomalien im gestörten Betriebsablauf als

möglicher Indikator für Fehler

Anomalien im Vergleich


Ein hybrides Modell aus dem Zusammenspiel daten-gestützter / betriebsmodell-gestützter Analyse

Anomale BetriebszuständeAnomale Signale innerhalb eines

Betriebszustands

Experte selektiert „plausible“ Anomalien „on-the-job“

Gefundene Anomalien werden in Betriebsmodell übernommen

Daten werden durch Betriebsmodell vor-

prozessiert

Daten-gestützte Methoden finden

Anomalien


Unser Angebot

• Beratung: Digitalisierungstechnologien, Digital Twins, Vernetzung & Data Science

• Assessment vorhandener Daten aus Produktionsanlagen

• Applikationsentwicklung: Embedded-Systeme zur Datenerfassung, Vernetzung und Fremdsystemanbin-dung, Cloud-Anbindung

• KI-Entwicklung: industrieller Daten-Analyse

Christian Spindler Elena Holsten

DATA AHEAD ANALYTICS GmbHTechnopark8005 ZürichSchweiz

+41 79 875 [email protected]

HOLSTEN Systems GmbHLichtenbergstraße 885748 Garching bei München Deutschland

+49 151 400 262 [email protected]

mailto:[email protected]

mailto:[email protected]

Wie Expertenwissen KI-Modelle stärkt und warum dies als ... · dataaheadanalytics.ch holsten.io 1...

Documents

Transcript of Wie Expertenwissen KI-Modelle stärkt und warum dies als ... · dataaheadanalytics.ch holsten.io 1...