© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Prof. Katharina Morik, Informatik LS 8 , TU Dortmund
PREDICTIVE MAINTENANCE AND BEYOND
1
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik2
ÜBERBLICK
Künstliche Intelligenz
Maschinelles Lernen
Predictive Maintenance
Wartung
Ausreißererkennung
… and beyond
Qualitätsvorhersage
Concept Drift und Modellmanagement
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik3
KI ist die Fähigkeit von Rechnern, Aufgaben zu lösen, die beim Menschen Intelligenz erfordern.
KI ist die Vorreiterin der Informatik.
KI gibt es seit 1956, in Deutschland seit 1976
Gebiete: Planung, Logische Inferenz, Spiele, Wissensrepräsentation, Natürlich-sprachliche Systeme, Robotik, Kognition, Multi-Agenten-Systeme, Bildverarbeitung
1996 erster Sieg von DeepBlue (IBM) gegenSchachweltmeister Kasparow
KÜNSTLICHE INTELLIGENZ
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik4
Einsatz von maschinellem Lernen in Rechenzentren: „Kosten für die Kühlung sanken um gewaltige 40 Prozent.“ Interview ZEIT online 25.3.2017
Wir wollen das Internet dorthin bringen, wo es noch keines gibt, und wir unterstützen die Entwicklung von nützlichen Anwendungen und Inhalten. Ich sage nicht, dass sich gerade alles in eine falsche Richtung entwickelt, aber wir schenken hilfreicher Technik nicht so viel Aufmerksamkeit, wie wir könnten.
Vinton Cerf, 1974 Mitentwickler von TCP/IP, seit 2005 “Evangelist” von Google
WORAUF GOOGLE WIRKLICH STOLZ IST
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik5
STANFORD AI INDEX 2018 – KI TEILGEBIETE
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik6
Wissenschaft
Personalisierte Medizin, Gendatenanalysen
Astro- und Teilchenphysik
Linguistik, Soziologie
Verkehr, Logistik, Kommunikation
Wirtschaft
Anpassung an spezielle Situationstatt nur Befolgen allgemeiner Gesetze
Qualitätskontrolle während des Prozesses
MASCHINELLES LERNEN ALS SCHLÜSSEL --PARADIGMENWECHSEL ZUR NUTZUNG VON DATEN
2016 alphaGodefeats Lee Sedol
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Teil der Informatik
Baut auf andere Gebiete der Informatik aufund treibt sie voran
Datengestützt
Datenströme, Datenzusammenfassungen
Verteilte Datenanalyse „federated learning“
Speichern und Kuratieren großer und kleiner Daten
Komplexe Architektur
Lange Verarbeitungsprozesse
Eingebettete Verarbeitungsprozesse
Metalernen, Transferlernen
7
MASCHINELLES LERNEN IST …
RapidMiner process
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Induction of Decision Trees
Support Vector Machine
Clustering
Probabilistic Graphical Models
Frequent Itemset Mining
Reinforcement, Q Learning
Neural Networks
Feature extraction, Feature Selection, Convolutional Neural Networks
Time Series Classification, Clustering, Prediction
8
MASCHINELLES LERNEN HAT VIELE MODELLE
2016 alphaGodefeats Lee Sedol
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Produktion
Predictive Maintenance
Quality Prediction
Model Predicted Control
Logistik und Moderne Mobilität
Stauprognose
Multimodales Routing
Lagerverwaltung, tracking von Waren
Medizin und Gesundheit
Informationsextraktion, Knowledge Graphs
9
ANWENDUNGSGEBIETE MASCHINELLEN LERNENS
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Verstehen gelernter Modelle
Explainable (explain afterwards)
Interpretable (easily understandable)
Inspectable (investigate examples)
Reproduzierbarkeit
Sampling, data generation
Counterfactual modeling
Meta-Learning
Zertifizieren von Daten und Modellen
Von Beweisen zu Waschzetteln!
10
MENSCHEN-ORIENTIERTES MASCHINELLES LERNEN
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik11
ÜBERBLICK
Künstliche Intelligenz
Maschinelles Lernen
Predictive Maintenance
Wartung
Ausreißererkennung
… and beyond
Qualitätsvorhersage
Concept Drift und Modellmanagement
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Werterhaltende und wertsteigernde Wartung
Statisch: Wartung nach festem Plan
Reaktiv: online Rückmeldungen der Geräte Zustandsmessung –> Aktion
Proaktiv: Zustand der Geräte wird vorhergesagtVorhersage –> Aktion
Globaler Einsatz von Geräten erfordert frühzeitige Planung der Wartung.
12
PREDICTIVE MAINTENANCE – WARTUNG
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik13
FALLSTUDIE OPTOELEKTORNISCHE GERÄTE
• Messungen aller Geräte eines Typs
600 – 1000 Geräte eines Typs
10 – 20 Messungen je Gerät
0 – 4000 Stunden
Funktionsapproximation
SVM lernt Funktion
Interpolation
Validierung
Für jedes Gerät Vorhersage testen
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik14
APPROXIMATION DER REGRESSION MIT SVM
Finden der richtigen Kernfunktion
Je weniger Stützvektoren, desto besser das Lernergebnis
RadialbasisfunktionGamma = 1Epsilon = 0,1nu = 0,1
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik15
PROBLEM FEHLENDER WERTE
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik16
APPROXIMATION UND INTERPOLATION DURCH K NÄCHSTE NACHBARN
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik17
Lebenszyklusprognose in einem Plant Asset Management System
Prognose mit k nächsten Nachbarn
Interpolation fehlender Werte durch Regressions-SVM.
Frühzeitige Planung der Wartungsarbeiten rund um den Globus möglich.
LEISTUNGSPROGNOSE OPTOELEKTRONISCHER GERÄTE
Pawlenko 2005
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik18
FALLSTUDIE SPRITZGUSS – ANOMALIEN ERKENNEN
Daten
5,2 Mio. Beobachtungen, 1154 Prozesse
4,3 Mio. Beobachtungen, 721 Prozesse
Merkmalsextraktion
Multi-objective optimization
Ensemble von Clusterings
Zusammenarbeit mit Reinhard Schiffers und Johannes Wortberg, Anwendung bei Krauss-Maffei
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik19
ÜBERBLICK
Künstliche Intelligenz
Maschinelles Lernen
Predictive Maintenance
Wartung
Ausreißererkennung
… and beyond
Qualitätsvorhersage
Concept Drift und Modellmanagement
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik20
FALLSTUDIE WALZWERK -- QUALITÄTSPROGNOSE IN ECHTZEIT
SFB 876, Projekt B3 mit Jochen Deuse
3% Ressourcen gespart durch frühzeitiges Ausschleusen
Rotary Hearth
FurnaceBlock roll Finishing roll 1/2
Cutting Ultrasonic tests
Temperature
Steel bars
Force Temperature Speed Test results
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik21
VORVERARBEITUNG DER MESSREIHEN
Daten jeder Station werden bereinigt
Ausreißererkennung
SchwellwertErsetze Werte > x
Intervalle betrachten mit Höhe > 300
Zeitreihen in Schritte des Rollens einteilen.
Temperature
Height of the roll
Rolling step
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik22
LERNEN AUS AUFBEREITETEN ZEITREIHEN
Prognosefunktion gelernt
Ausschleusen bei not ok
Lernergebnis nicht nur nach Korrektheit beurteilen:
Wie viel Geld wird real gespart?
OK? OK?
Move out!
control
true not OK
Not OK 3%
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik23
ÜBERBLICK
Künstliche Intelligenz
Maschinelles Lernen
Predictive Maintenance
Wartung
Ausreißererkennung
… and beyond
Qualitätsvorhersage
Concept Drift und Modellmanagement
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik24
FALLSTUDIE STAHLWERK – BESTIMMEN DES ENDZEITPUNKTS
Zusammenarbeit mit SMS Siemag, Dillinger Hüttenwerken
Konverter muss gute Kenngrößen erreichen bei Temperatur, Kohlenstoff, Phosphor, Eisengehalt der Schlacke.
Kenngrößen bis auf T sind nicht messbar während des Prozesses.
Vorhersage jede Sekunde: wie wären die Kenngrößen, wenn jetzt abgeschaltet würde?
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik25
Aufwändige Datenbereitstellung
Extrahieren relevanter Merkmale
Daten aus 1 Jahr Produktion
Lernen offline, Anwenden online
Datenstromrepräsentation für off- und online
Exzellente Ergebnisse
Fe: error: 2,17 %
T: error: 18,38 Grad Celsius (bei etwa 1600 Grad)
C in PPM: error: 63,36
P in PPM: error: 29,44
LERNEN MIT SVM
Lanzentemperatur im Vorlauf, Durchflussrate KühlwasserLeistungsverlust Lanze
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik26
CONCEPT DRIFT UND MODELLMANAGEMENT
Sensor fällt aus – dafür ein eigenes Modell lernen!
Lanze altert – langsame Änderung der Messreihen.
Neue Lanze hat andere Werte – zyklische Veränderungen der Lanze.
Während des Prozesses kann nicht gelernt werden.
Viele Modelle verfügbar – während des Prozesses kann das richtige ausgewählt werden.
lance campaign 1
erro
r
acc
epta
ble
ra
ng
e
time
lance campaign 2
learning of new model B
application of
model B
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik27
ÜBERBLICK
Künstliche Intelligenz
Maschinelles Lernen
Predictive Maintenance
Wartung: Fallstudie optoelektronische Geräte
Ausreißererkennung: Fallstudie Spritzguss
… and beyond
Qualitätsvorhersage: Fallstudie Walzwerk
Concept Drift und Modellmanagement: Fallstudie Stahlwerk
Lektionen
Datenaufbereitung ist aufwändig und braucht Kreativität und Erfahrung!
Maschinelles Lernen hilft bereits bei der Datenaufbereitung.
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik
Vielen Dank für Ihre Aufmerksamkeit!
28
© Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr
Prof. Katharina Morik29
Hendrik Blom, Katharina Morik (2016) “Resource-Aware Steel Production Through Data Mining”, ECML PKDD
Katharina Morik, Hendrik Blom, Nobert Uebber, Tobias Beckers, Hans-Jürgen Odenthal, JochenSchlüter (2014): Reliable BOF Endpoint Prediction by a Real-Time Data-Driven Model. In: AIST Indianapolis
Andrej Pawlenko “Plant Asset Management unterstützt durch empirische Datenanalyse”,
Diplomarbeit Univ. Dortmund LS8, 2005
Reinhard Schiffers, Katharina Morik, Alexander Schulze-Struchtrup, Philipp-Jan Honysz,, Johannes Wortberg (2018): “Anomaly detection in injection molding process data based on unsupervised learning” Journal of Plastics Technology, 14 (5)
Marco Stolpe, Hendrik Blom, Katharina Morik (2016) “Sustainable Industrial Processes by Embedded Real-Time Quality Prediction” in: Lässig, Kersting, Morik (eds) Computational Sustainability, 201—243
LITERATUR
Top Related