Motivation, Ziele und Projekte

Industrie 4.0 ist in vielen kleinen und mitteleren Produktionsunternehmen oft noch keine Realität, sondern eine Vision. Die "Bückentechnologie" liegt in der Verarbeitung und Analyse der meist IT-erfassten Maschinenzustandsdaten.

Ausgehend von Zustandszeitreihen ganzer Maschinen oder einzelner Sensoren in einer teilautomatisierten und vollautomatisierten Produktion suchen und designen wir Algorithmen, die sich für die Rekonstruktion der Produktionsdynamik aus den Zustandsdaten eignen. In unserem Production Analytics Lab entwickeln wir zudem Tools, mit denen die verschiedenen Schritte des Data Mining der Zustandszeitreihen automatisiert werden können. Durch die zunhemende IT-Unterstützung und die damit verbundene Archivierung solcher Zustandsdaten in Produktionsunternehmen  lassen sich mit unseren Werkzeugen sowohl Echtzeitanalysen im laufenden Produktionsbetrieb als auch längerfristige Analysen über zurückliegende Produktionszeiträume durchführen. Dies eröffnet Optimierungspotenziale in der Produktion.

Forschungsprojekt KI-MES

Künstliche Intelligenz in Manufacturing Execution Systems

Unter gewissen Voraussetzungen hinsichtlich Wiederholungsraten, Ausfallhäufigkeiten und Materialfluss-abhängiger Statusaufzeichungen lassen sich über die Statuszeitreihen einzelner Produktionsmaschinen Abhängigkeiten der Produktionsmaschinen untereinander statistisch qualitativ und quantitativ rekonstruieren. Mit Hilfe von Algorithmen zur Berechnung von paarweise Korrelationen zwischen Maschinen lässt sich so eine ganze Produktionsumgebung topologisch rekonstruieren. Die Ergebnisse sind statistischer Natur und ermöglichen Rückschlüsse auf Fehlerfortpflanzungen und Optimierungspotentiale.

Kernbaustein der Algorithmik und Intelligenz ist der Vergleich von Zustands-Statuszeitreihen zweier Komponenten (Maschinen) auf Ähnlichkeiten unter Berücksichtigung von Zeitverzögerungen, deren automatsierte Erkennung und die sich daraus ergebenden algebraischen Beziehungen aller Komponenten (Maschinen) als dynamsiches System (Produktionsumgebung).

Saller, D & Kumova BI (2021) 
Mining Causal Hypotheses in Categorical Time Series by Iterating on Binary Correlations
Conference paper at Cross Domain Conference for Machine Learning and Knowledge Extraction CD-MAKE 21, 
published in Springer Lecture Notes in Computer Science (LNCS),
Machine Learning and Knowledge Extraction (2021), Eds. Holzinger, Kieseberg, Min Tjoa, Weippl
pp. 99-114
https://doi.org/10.1007/978-3-030-84060-0_7

Saller, D, Hennebold, C & Kumova BI (2020) 
Detecting Causalities in Production Environments using Time Lag Identification with Cross-Correlation in Production State Time Series
Conference paper at 19th International Conference, ICAISC 2020 Zakopane, Poland, October 12–14, 2020, published in Springer Lecture Notes in Computer Science (LNCS), 
Artificial Intelligence and Soft Computing Part II (2020), Eds. Rutkowski, Scherer, Korytkowski, Pedrycz, Tadeusiewicz, Zurada,
pp. 243-252
https://doi.org/10.1007/978-3-030-61534-5_22

 

Entwicklungsprojekte Studienarbeiten 2020/21

Auf Basis der automatsierten Suche nach Peak-Korrelation, lassen sich logische und zeitkausale Zusammenhänge in Produktionsprozessen und -umgebungen qualitativ und (statistisch) quantitativ rekonstruieren. In den letzten Jahren wurden dazu zahlreiche Studienarbeiten vergeben. Die aktuelle Tool-Landschaft besteht aus folgenden Komponenten, die jeweils in den aktuellen Studienarbeiten weiterentwickelt werden. Mit der Weiterentwicklung der Tools ergeben sich einerseits - durch die Verringerung der Aufwände bei der Datenvorverarbeitung - effizientere Einsatzmöglichkeiten und Dienstleistungspotenziale in Unternehmen. Andererseits eröffnen die weiterentwickelten Tools selbst neue kooperative Forschungspotenziale.   

Die Studienarbeiten 2020/21 beschäftigen sich im Wesentlichen mit folgenden Aspekten:

  • UML-basierte Analyse des bisherigen Entwicklungsstands der Tools zur Datenvorverarbeitung, zur Korrelationsanalyse und zur Erstellung aggregierter Berichte
  • Testmanagement und Schwachstellendokumentation des bisherigen Entwicklungsstands der Tools
  • Weitere Fallstudien mit binären Statuszeitreihen aus anderen Anwendungsfällen
  • Vergleichende Analyse weiterer Algorithmen für die Korrelationsanalyse 
  • Optimierung der Berichtsvarianten zur Darstellung der qualitativen und (statistisch) quantitativen Korrelationsbeziehungen aller korrelierten Komponenten einer Produktionsumgebung.