Wie Expertenwissen KI-Modelle stärkt und warum dies als ... · dataaheadanalytics.ch holsten.io 1...
Transcript of 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
dataaheadanalytics.ch holsten.io 2
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
dataaheadanalytics.ch holsten.io 3
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
dataaheadanalytics.ch holsten.io 4
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
dataaheadanalytics.ch holsten.io 5
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
dataaheadanalytics.ch holsten.io 6
KI-Entwicklung: Was benötigt am meisten Zeit?
60%19%
21%
Daten bereinigen undorganisieren
Daten bereitstellen
"Data Science"
dataaheadanalytics.ch holsten.io 7
DemonstratorStromanalyse im Zeitalter der KI
dataaheadanalytics.ch holsten.io 8
Nicht-invasive Strommessung als Retrofit-Lösung
dataaheadanalytics.ch holsten.io 9
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
dataaheadanalytics.ch holsten.io 10
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
dataaheadanalytics.ch holsten.io 11
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
dataaheadanalytics.ch holsten.io 12
Anlauf
Fördermotor
Stanzen Anlauf Fördermotor
Zeitlicher Versatz
Normalbetrieb und gebremstes Förderband
dataaheadanalytics.ch holsten.io 13
Rohdaten
Median-Filter
Min/Max-Filter
Bewertung 1
Bewertung 2
Bewertung 3
Betriebsmodell-gestützte Analyse
dataaheadanalytics.ch holsten.io 14
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
dataaheadanalytics.ch holsten.io 15
Changepoints: Level-Shift-Detektions-Algorithmus
Störungen in der Periodizität
Kurzzeitige Spitzenwerte (Spikes)
Spontane Ausreißer
Daten-getriebene Anomalieerkennung
dataaheadanalytics.ch holsten.io 16
Deutlich mehr Anomalien im gestörten Betriebsablauf als
möglicher Indikator für Fehler
Anomalien im Vergleich
dataaheadanalytics.ch holsten.io 17
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
dataaheadanalytics.ch holsten.io 18
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]