Sonderforschungsbereich 876
SFB876 Verfügbarkeit von Information durch Analyse unter Ressourcenbeschränkung (Teilprojekt B3: Data Mining in Sensordaten automatisierter Prozesse)
(Projektlaufzeit Phase 3: Januar 2019 bis Dezember 2022; Projektbearbeitung erfolgt in Kooperation mit dem Lehrstuhl für Künstliche Intelligenz der Fakultät für Informatik)
Problemstellung
Um den neuen Herausforderungen gerecht zu werden, zunehmend individualisierte Produkte mit kurzer Vorlaufzeit und höherer Qualität herzustellen, müssen optimale und echtzeitfähige Methoden zur Entscheidungsunterstützung erforscht und entwickelt werden. Fehler, die innerhalb eines Produktionsprozesses erst am Ende erkannt werden, können zu einer hohen Anzahl von Ausschussprodukten führen. Aus diesem Grund ist es notwendig, die Qualität von Zwischenprodukten kontinuierlich zu überwachen und zu prüfen.
Im Zusammenhang mit der fortschreitenden Verbreitung moderner Informations- und Kommunikationstechnologien finden sich neue Möglichkeiten der echtzeitfähigen Datenerfassung und Analyse, die es ermöglichen, kritische Prozessmuster zu identifizieren und zeitnahe Gegenmaßnahmen zu ergreifen.
Zielsetzung
Das Ziel einer effizienten Null-Fehler-Produktion erfordert die Entwicklung ressourcenschonender Verfahren zur echtzeitfähigen Überwachung von Produktionsprozessen und Prädiktion qualitätsrelevanter Merkmale. Durch das Lernen aus Sensordaten können Echtzeitprädiktionen über die Produktqualität getroffen werden, die verwendet werden, um gezielt in den Produktionsprozess einzugreifen und auf diese Weise die Qualität zu steigern. Während das Projekt darauf fokussiert ist, Lücken in der wissenschaftlichen Forschung zu schließen, soll eine Übertragbarkeit der Ergebnisse auf reale Industrieanwendungen nicht vernachlässigt werden. Um diesen Transfer zu gewährleisten, müssen die entwickelten Verfahren auf realen Daten validiert und bewertet werden, die aus realen Anwendungsfällen stammen und mit entsprechenden Einschränkungen verbunden sind.
Die Aufgaben und Herausforderungen der industriellen Datenanalyse in Produktionssystemen wurden entsprechend ihrer Anforderungen und Komplexität sequentiell erforscht:
(1) Anomalieerkennung,
(2) diagnostische Analytik,
(3) prädiktive Analytik und
(4) präskriptive Analytik.
Während bei der Anomalieerkennung ungewöhnliche und auffällige Muster und Verhaltensweisen erkannt werden sollen, werden diese bei der diagnostischen Analytik durch erfasste Mess- und Prozessdaten erklärt. Die prädiktive Analytik versucht zusätzlich, derartige Anomalien schon vorauszusagen, bevor diese im Prozess tatsächlich auftreten. Die präskriptive Analytik soll schließlich dazu dienen, auf Grundlage der Prädiktion Maßnahmen zu ermitteln, die geeignet sind, um das Auftreten von Anomalien zu verhindern und die Produktqualität so zu verbessern.
Vorgehensweise
Die dritte Projektphase dient der Erforschung und Entwicklung von Methoden zur präskriptiven Analytik mit Fokus auf die Qualitätsregelung in Produktionssystemen. Aufbauend auf bereits erzielten Forschungsergebnissen sollen Mess- und Prozessdaten entlang des Produktionsprozesses herangezogen werden, um qualitätsrelevante Produkteigenschaften vorherzusagen. Diese Vorhersage ermöglicht einerseits die qualitätsgerechte Regelung und Anpassung der Produktionsprozesse zur Verbesserung der Produktqualität. Andererseits können die prädiktiven Modelle zur Verbesserung der Qualitätsprüfung im Sinne einer gesteigerten Wirtschaftlichkeit durch reduzierte Fehler- und Prüfkosten eingesetzt werden.
Förderhinweis
Das Teilprojekt B3 „Data Mining in Sensordaten automatisierter Prozesse“ des SFB 876 „Verfügbarkeit von Information durch Analyse unter Ressourcenbeschränkung“ ist mit Mitteln der Deutschen Forschungsgemeinschaft (DFG) gefördert.