In dieser Arbeit wird beispielhaft eine multivariate Zeitreihe von knapp neun Monaten einer Blockheizkraftwerk-Anlage analysiert. Durch das Toeplitz Inverse Covariance-Based Clustering können sich wiederholende Muster in der Zeitreihe identifiziert und ebenfalls interpretiert werden. Ein Vergleich der Clusterergebnisse zu einer vorangehenden Komprimierung der Zeitreihen durch ein Autoencoder Netzwerk wird ebenfalls gezeigt.
Durch den großen Druck, die Wettbewerbsfähigkeit im produzierenden Gewerbe aufrechtzuerhalten, werden vermehrt Industrie 4.0 Strategien vorangetrieben. Mit dem Beginn neuer Datenverarbeitungstechnologien wird ein Mehrwert durch Datenanalyse in der Produktion mit Cyber Physical Systems generiert. Die Wartung von Maschinen und Prozessen verbessert sich durch diese Entwicklungen signifikant. Eine genaue Vorhersage unnormaler Zustände spielt eine Schlüsselrolle, wenn die Produktivität erhöht und die Maschinenausfälle reduziert werden sollen. Trotzdem bleibt die Maschinendatenanalyse mit Verfahren des maschinellen Lernens, um kritische Charakteristiken für die Wartung zu erkennen, schwierig. Maschinen werden oft rekonfiguriert, einzelne Sensoren fallen aus oder verfälschen die Messwerte, sodass die Komplexität zusätzlich erhöht wird.
Inhaltsverzeichnis
I. INTRODUCTION
A. Motivation
B. Business Understanding
II. RELATED WORK
III. METHOD
A. Clustering
B. Dimensionsreduzierung
IV. DATA ANALYSIS AND PROCESSING
A. Daten des BHKW Beispiels
B. Preprocessing und Deskriptive Analyse
V. IMPLEMENTATION
A. Clustering
B. Dimensionsreduzierung
VI. EVALUATION
VII. CONCLUSION AND FUTURE WORK
Zielsetzung & Themen
Diese Arbeit zielt darauf ab, Möglichkeiten der Datenanalyse zur Zustandsüberwachung (Predictive Maintenance) anhand von Sensordaten eines Blockheizkraftwerks zu evaluieren, um anormale Systemzustände durch Clustering-Verfahren effizient zu identifizieren und zu interpretieren.
- Anwendung des "Toeplitz Inverse Covariance-Based Clustering" (TICC) zur Analyse multivariater Zeitreihen.
- Einsatz von Deep Auto-Encoder Netzwerken zur Dimensionsreduktion komplexer Sensordaten.
- Vergleich von Clustering-Ergebnissen mit und ohne vorherige Datenkomprimierung.
- Interpretation der Cluster-Strukturen mittels Betweenness Centrality Scores (BCS).
- Bewertung des Einflusses von Wartungsereignissen auf die Anlagenzustände.
Auszug aus dem Buch
III. METHOD
Anomalie Erkennung in Zeitreihen bezieht sich im Allgemeinen darauf uberraschende und interessante Muster zu erkennen. Der ubliche Ansatz bei Zeitreihen ist es, zunachst ein Modell des Normalverhaltens der Zeitreihe zu erstellen, um anschließend Subsequenzen die weit um das Modell streuen als Anomalien zu deuten. Dieser Ansatz zahlt jedoch zum uberwachten maschinellen Lernen und eignet sich nicht, wenn nur wenig Vorwissen uber die Zeitreihe vorhanden ist [11]. Clustering Algorithmen konnen dagegen die unbekannten Strukturen einer Zeitreihe herausfinden, abgrenzen und gruppieren.
Das Clustering hat allgemein zum Ziel die intracluster Varianz zu minimieren und umgekehrt die intercluster Varianz maximal zu halten. So entstehen weit voneinander entfernte, sowie homogene Cluster. Als ein Verfahren des unuberwachten maschinellen Lernens stellt es einen wesentlichen Bereich in der Zeitreihenanalyse dar [11].
Nach [12] und [11] kann das Vorgehen bei Zeitreihenclustering grob in zwei Kategorien gefasst werden: Whole Clustering und Subsequence Clustering. Whole Clustering ist ahnlich zu dem Clustering von diskreten Objekten ohne zeitliche Komponente. Mehrere individuelle ganze Zeitreihen werden in Cluster eingeordnet, sodass gesamte Zeitreihen am Ende in Gruppen eingeteilt sind. Beim Subsequence Clustering werden von einer Zeitreihe individuelle Subsequenzen zum Beispiel durch die Sliding Window Technik generiert. Das heißt die Zeitreihe wird in kleine Abschnitte aufgeteilt, welche anschließend geclustert werden. Dazu muss die Zeitreihe gleichzeitig in Abschnitte einer bestimmten Lange geteilt und diese auf Basis eines Ahnlichkeitsmaß einem Cluster zugewiesen werden. Anomalien sind erkennbar als Subsequenzen, die maximal verschieden zu den verbleibenden Subsequenzen sind [13].
Zusammenfassung der Kapitel
I. INTRODUCTION: Einführung in die Thematik der Predictive Maintenance in Cyber Physical Systems und die Relevanz der Anomalieerkennung in Blockheizkraftwerken.
II. RELATED WORK: Überblick über bestehende Ansätze des maschinellen Lernens und Clustering-Verfahren für die Wartungsoptimierung von Industriemaschinen.
III. METHOD: Theoretische Erläuterung der Clustering-Methodiken, insbesondere des TICC-Verfahrens, sowie Ansätze zur Dimensionsreduktion mittels Deep Auto-Encodern.
IV. DATA ANALYSIS AND PROCESSING: Beschreibung des BHKW-Datensatzes, der durchgeführten Datenbereinigung, Normalisierung und deskriptiven statistischen Analyse.
V. IMPLEMENTATION: Detaillierte Darstellung der praktischen Umsetzung des TICC-Clusterings und des Auto-Encoder-Trainings unter Verwendung von Hyperparameter-Optimierung.
VI. EVALUATION: Analyse und Interpretation der Cluster-Ergebnisse unter Nutzung von Betweenness Centrality Scores und grafischer Auswertungen.
VII. CONCLUSION AND FUTURE WORK: Fazit zur Anwendbarkeit der gewählten Methoden sowie Ausblick auf zukünftige Herausforderungen wie die Root Cause Analysis und das Problem des Model Shifting.
Schlüsselwörter
Predictive Maintenance, Clustering, Time Series, Dimensionality Reduction, Deep Auto-Encoder, TICC, Anomalieerkennung, Blockheizkraftwerk, Zustandsüberwachung, Sensoranalyse, Multivariate Zeitreihen, Maschinelles Lernen, Wartungsstrategie, Markov Random Field, Betweenness Centrality.
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundlegend?
Die Arbeit befasst sich mit der automatisierten Erkennung von anomalen Betriebszuständen in einem Blockheizkraftwerk mittels moderner Datenanalyse-Verfahren, um Wartungsprozesse zu optimieren.
Welche zentralen Themenfelder werden in der Untersuchung adressiert?
Die Schwerpunkte liegen auf der Zeitreihenanalyse, dem Clustering hochdimensionaler Sensordaten, der Dimensionsreduktion mittels neuronaler Netze sowie dem Condition Monitoring im Kontext von Industrie 4.0.
Was ist das primäre Ziel der Forschungsarbeit?
Das Hauptziel ist die Identifikation von Mustern in den Betriebsdaten, die auf kritische Zustände oder Fehler hinweisen, um eine vorausschauende Wartung (Predictive Maintenance) zu ermöglichen.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden das "Toeplitz Inverse Covariance-Based Clustering" (TICC) sowie "Deep Auto-Encoder" zur Dimensionsreduktion eingesetzt, ergänzt durch Grid-Search zur Hyperparameter-Optimierung.
Was wird im Hauptteil der Arbeit detailliert behandelt?
Der Hauptteil deckt die methodischen Grundlagen, die Datenaufbereitung, die technische Implementierung der Machine-Learning-Modelle sowie die anschließende Evaluation der Ergebnisse ab.
Durch welche Schlüsselwörter lässt sich die Arbeit am besten beschreiben?
Wesentliche Begriffe sind Predictive Maintenance, Clustering, TICC, Deep Auto-Encoder und die Analyse von Zeitreihendaten bei Industrieanlagen.
Warum wurde das TICC-Verfahren für diese spezifische Anlage ausgewählt?
TICC ermöglicht nicht nur das Gruppieren von Zeitabschnitten, sondern liefert durch die modellbasierten Cluster eine interpretierbare Struktur, die auf Korrelationen zwischen Sensoren basiert.
Welchen Einfluss hat die Wartung am 26. August auf die Cluster-Ergebnisse?
Die Analyse zeigt, dass das System in der Lage ist, den spezifischen Fehlerzustand bzw. die Anlage während der Wartungsphase durch die Clusterzuweisung abzugrenzen und somit von regulären Betriebszuständen zu unterscheiden.
- Quote paper
- Kathrina Traub (Author), 2020, Anomalieerkennung durch Clustering. Predictive Maintenance in einem Blockheizkraftwerk, Munich, GRIN Verlag, https://www.grin.com/document/1126259
