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
- A. Motivation
- I. INTRODUCTION
- B. Business Understanding
- II. RELATED WORK
- Predictive Maintenance.
- Potential in BHKW.
- III. METHOD
- A. Clustering
- Toeplitz inverse covariance-based clustering (TICC).
- B. Dimensionsreduzierung
- IV. DATA ANALYSIS AND PROCESSING
- A. Daten des BHKW Beispiels
- B. Preprocessing und Deskriptive Analyse
- Data Cleaning
- Data Normalization
- Data Understanding
- V. IMPLEMENTATION
- A. Clustering
- B. Dimensionsreduzierung
- VI. EVALUATION
Zielsetzung und Themenschwerpunkte
Diese Arbeit analysiert multivariate Zeitreihen von Sensordaten eines Blockheizkraftwerks (BHKW) mit dem Ziel, anormale Systemzustände durch Clustering sichtbar zu machen. Der Fokus liegt auf der Anwendung des Toeplitz inverse covariance-based clustering (TICC) Verfahrens, welches auf unbekannte Strukturen in Zeitreihen schließen kann. Zusätzlich wird die Dimensionenreduktion durch Deep Auto-Encoder (DAE) Netzwerke untersucht, um weiteres Optimierungspotential zu bewerten.
- Predictive Maintenance (PdM) in Industrie 4.0
- Anomalieerkennung in Zeitreihen
- Clustering-Verfahren im Kontext von Zeitreihenanalyse
- Dimensionsreduktion durch Deep Auto-Encoder
- Analyse von BHKW-Sensordaten
Zusammenfassung der Kapitel
- A. Motivation: Die Arbeit stellt die Relevanz von Predictive Maintenance (PdM) in der Industrie 4.0 dar und beschreibt die Herausforderungen der Maschinendatenanalyse, besonders im Hinblick auf komplexe Systeme wie BHKW. Der Schwerpunkt liegt auf der Identifizierung von Anomalien in multivariaten Zeitreihen.
- I. INTRODUCTION: Dieses Kapitel definiert den Begriff Predictive Maintenance und erläutert seine Bedeutung im Kontext von Cyber Physical Systems (CPS) und Industrie 4.0. Es werden verschiedene Ansätze zur Wartung von Maschinen vorgestellt, darunter Run-to-Failure, Preventive Maintenance und Predictive Maintenance.
- II. RELATED WORK: Dieser Abschnitt bietet einen Überblick über die wissenschaftliche Literatur zu Predictive Maintenance und Clustering-Verfahren im Kontext von Maschinenüberwachung. Es werden relevante Arbeiten zitiert, die sich mit der Anwendung von Clustering-Algorithmen für die Analyse von Sensordaten in verschiedenen industriellen Anwendungen befassen, einschließlich BHKW.
- III. METHOD: Dieses Kapitel beschreibt die methodischen Grundlagen der Arbeit. Es werden verschiedene Ansätze zur Anomalieerkennung in Zeitreihen erläutert, wobei der Fokus auf Clustering-Verfahren liegt. Das Toeplitz inverse covariance-based clustering (TICC) Verfahren wird detailliert vorgestellt und seine Funktionsweise anhand der relevanten Konzepte wie Markov random fields (MRF) und inverse Kovarianzmatrizen erläutert.
- IV. DATA ANALYSIS AND PROCESSING: Dieses Kapitel befasst sich mit den Daten des BHKW-Beispiels. Die Daten werden beschrieben und die wichtigsten Merkmale der Sensordaten werden zusammengefasst. Der Abschnitt befasst sich auch mit der notwendigen Datenvorverarbeitung, einschließlich Data Cleaning, Data Normalization und Data Understanding.
- V. IMPLEMENTATION: Dieses Kapitel erläutert die konkrete Implementierung des Toeplitz inverse covariance-based clustering (TICC) Verfahrens sowie der Dimensionsreduktion mit Deep Auto-Encoder (DAE) Netzwerken. Es werden die Parameter der Algorithmen und die verwendeten Softwarebibliotheken beschrieben.
- VI. EVALUATION: Dieses Kapitel präsentiert die Ergebnisse der Analyse und diskutiert die Interpretation der Ergebnisse. Die Qualität der Clustering-Ergebnisse wird bewertet, indem die Struktur der resultierenden Cluster anhand von graphischen Visualisierungen und metrischen Kennzahlen analysiert wird.
Schlüsselwörter
Die Arbeit beschäftigt sich mit dem Thema Predictive Maintenance im Kontext von Industrie 4.0 und konzentriert sich auf die Anwendung von Clustering-Verfahren zur Anomalieerkennung in multivariaten Zeitreihen. Das Toeplitz inverse covariance-based clustering (TICC) Verfahren sowie die Dimensionsreduktion mittels Deep Auto-Encoder (DAE) Netzwerke werden verwendet, um Daten aus einem Blockheizkraftwerk (BHKW) zu analysieren.
- Citation du texte
- Kathrina Traub (Auteur), 2020, Anomalieerkennung durch Clustering. Predictive Maintenance in einem Blockheizkraftwerk, Munich, GRIN Verlag, https://www.grin.com/document/1126259
