Die Arbeit setzt sich mit Smart Data und neuronalen Netzen im Bereich Predictive Maintenance auseinander. Der digitale Wandel von Maschinen und Fertigungsanlagen schafft für die Industrie neue Optimierungspotenziale. Ein Bereich, der sich diese digitalen Informationen zu nutzen machen kann, ist die Instandhaltung. Diese sorgt durch Wartungen und Instandsetzungen von verschiedensten Fertigungsanlagen für einen reibungslosen Fertigungsablauf.
In der Instandhaltung sorgen mangelnde Informationen über den Maschinenzustand oft für Schwierigkeiten bei der Fehlererkennung, Fehleridentifizierung oder Fehlerlokalisierung. Dies führt zu langen Maschinenausfallzeiten und entsprechend hohen Opportunitätskosten. Abhilfe für dieses Problem versprechen Datenanalyseverfahren, welche Maschinenzustandsdaten über Sensoren auswerten und nutzbar machen.
Durch diesen Einsatz können Anomalien frühzeitig erkannt werden. Dadurch ist eine prädikative Instandhaltung, auch Predictive Maintenence genannt, möglich. Eine Umfrage aus dem Jahr 2020 zeigt, dass sich Unternehmen aus den genannten Gründen für den Einsatz von Predictive Maintenance entscheiden.
Inhaltsverzeichnis
1. Einleitung
1.1 Einführung
1.2 Ziel und Aufbau der Arbeit
2. Smart Data
2.1 Neuronale Netze
2.1.1 Convolutional Neural Network
2.1.2 Recurrent Neural Network
2.2 Predictive Maintenance
3. Anwendung von Predictive Maintenance an einer smarten Rotationswalze
3.1 Systemaufbau
3.2 Güteprüfsystem
3.3 Neuronales Netz zur predictive Maintenance
4. Kritische Würdigung der wissenschaftlichen Arbeit und Fazit
Zielsetzung & Themen
Diese Arbeit befasst sich mit der Implementierung von Predictive Maintenance in Fertigungsanlagen durch den Einsatz künstlicher neuronaler Netze. Ziel ist es, verschiedene Netzwerktypen und Lernverfahren zu erläutern und deren Anwendung zur frühzeitigen Fehlererkennung an einer smarten Rotationswalze zu diskutieren.
- Grundlagen von Smart Data und neuronalen Netzen
- Funktionsweise von Convolutional Neural Networks und Recurrent Neural Networks
- Konzeptionelle Anwendung von Predictive Maintenance in der Blechwalzproduktion
- Einsatz von LSTM-Zellen zur Analyse sequenzieller Maschinendaten
Auszug aus dem Buch
3.3 Neuronales Netz zur predictive Maintenance
Wie in den vorherigen Kapiteln beschrieben, besteht das neuronale Netz zur predictive Maintenance aus mehreren Schichten. Dabei sollten nicht nur Daten und Informationen aus den Sensoren des Blechwalzsystems geprüft werden, sondern auch Daten aus der Güteprüfung. Zur Anwendung kommt ein rekurrentes neuronales Netz mit LSTM-Zellen. Die Funktionsweise von rekurrenten neuronalen Netzen wurde bereits in Kapitel 2.1.2 besprochen. Der LSTM-Zelle bekommt im Anwendungsfall eine besondere Bedeutung. Denn die Anwendung ohne LSTM-Zelle wäre zur predictive Maintenance nicht möglich. Das neuronale Netz könnte ohne diese keine weit entfernten oder zurückliegenden Informationen miteinander verknüpfen. Ohne diese Verknüpfung ist eine Prognose des möglichen auftretenden Schadens anhand von aufgetretenen Mustern nicht möglich.
Abbildung 7. zeigt eine schematische Darstellung einer LSTM-Zelle. Im Speichergatter werden dabei nur für die predictive Maintenance relevante Vorfälle gespeichert. Hier kann beispielsweise die Zeitreihe, mit Informationen und Daten, von der ersten geringen Abweichung bis zum auftretenden Schaden gespeichert werden. Das Löschgatter kann alle irrelevanten Zeitreihen löschen. Außerdem kann durch das Training des Netzes bestimmt werden, wie lange eine Zeitreihe gespeichert werden sollte. Dies kann zum Einsatz kommen, wenn sich Komponenten im Blechwalzsystem ändern.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in den digitalen Wandel der Instandhaltung ein und definiert Predictive Maintenance als Lösungsansatz zur Reduzierung von Maschinenausfallzeiten.
2. Smart Data: Das Kapitel vermittelt die theoretischen Grundlagen zu neuronalen Netzen, einschließlich Convolutional und Recurrent Neural Networks, sowie das Konzept der prädiktiven Instandhaltung.
3. Anwendung von Predictive Maintenance an einer smarten Rotationswalze: Hier wird der praktische Systemaufbau zur Überwachung einer Rotationswalze mittels Bilderkennung und neuronaler Netze zur Schadensprognose diskutiert.
4. Kritische Würdigung der wissenschaftlichen Arbeit und Fazit: Das Fazit bewertet die erzielten Ergebnisse, weist auf Schwachstellen in der theoretischen Tiefe hin und gibt einen Ausblick auf die zukünftige Bedeutung der KI in der Industrie.
Schlüsselwörter
Smart Data, Predictive Maintenance, Künstliche neuronale Netze, Rollenbahn, Blechwalzsystem, Convolutional Neural Network, Recurrent Neural Network, LSTM-Zellen, Automatisierte Inspektion, Fehlererkennung, Industrie 4.0, Instandhaltung, Sensordaten, Mustererkennung, Datenanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Unternehmen durch den Einsatz von Smart Data und künstlichen neuronalen Netzen eine proaktive Instandhaltungsstrategie (Predictive Maintenance) umsetzen können.
Welche Themenfelder sind zentral?
Die zentralen Felder umfassen die Informatik-Grundlagen neuronaler Netze, deren Lernverfahren sowie deren Anwendung in industriellen Fertigungsumgebungen.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die theoretische Erläuterung neuronaler Architekturtypen und die Diskussion ihrer Eignung zur Früherkennung von Anlagendefekten an einem konkreten Beispiel einer Rotationswalze.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es wird ein kombinierter Ansatz aus Literaturrecherche zu den Grundlagen neuronaler Netze und einer konzeptionellen Systementwurfsdiskussion für einen Anwendungsfall in der Produktion genutzt.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die Erläuterung der Netzarchitekturen (CNN/RNN), die Definition von Predictive Maintenance und die detaillierte Darstellung eines Monitoringsystems mit Sensor- und Kameraüberwachung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Kernbegriffe sind Predictive Maintenance, Neuronale Netze, Smarte Rotationswalze, LSTM-Zellen und automatisierte Inspektion.
Wozu werden LSTM-Zellen in diesem Kontext eingesetzt?
Sie dienen dazu, zeitliche Korrelationen in Sensordaten über längere Zeiträume hinweg zu speichern, um Muster, die zu einem späteren Defekt führen, frühzeitig zu identifizieren.
Warum ist das Güteprüfsystem für die Instandhaltung wichtig?
Es fungiert als zusätzliche Feedbackschleife, da durch die Bilderkennung Abweichungen in der Qualität der gefertigten Produkte erkannt werden können, bevor ein systemkritischer Defekt an der Walze eintritt.
- Arbeit zitieren
- Florian Haider (Autor:in), 2022, Smart Data für Predictive Maintenance mithilfe von künstlichen neuronalen Netzen, München, GRIN Verlag, https://www.grin.com/document/1268108
