Smart Data für Predictive Maintenance mithilfe von künstlichen neuronalen Netzen

Inhaltsverzeichnis

I. Abkürzungsverzeichnis

II. Abbildungsverzeichnis

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

III. Literaturverzeichnis

I. Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

II. Abbildungsverzeichnis

Abbildung 1: Entscheidungsfaktoren für Predictive Maintenance in Unternehmen im DACH­Raum 2020

Abbildung 2: Vereinfachte Darstellung eines künstlichen neuronalen Netzes (Convolutional- Neural-Network)

Abbildung 3: Vereinfachte Darstellung eines rekurrenten neuronalen Netzes (Recurrent Network)

Abbildung 4: Schematische Darstellung der smarten Rotationswalze im Gesamtsystem

Abbildung 5: Darstellung einer Abweichung der Blechgüte. Die beschädigte Oberfläche wird rot markiert

Abbildung 6: Beispiel zur Hyperspektralen optischen Inspektion von Oberfläche und Schichten links: Schichtdickenverteilung; rechts: Verteilung des Flächenwiderstands

Abbildung 7: Schematische Darstellung einer LSTM-Zelle

1. Einleitung

1.1 Einführung

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.^{1 2} Durch diesen Einsatz können Anomalien frühzeitig erkannt werden. Dadurch ist eine prädikative Instandhaltung, auch Predictive Maintenence genannt, möglich. Eine Umfrage aus dem Jahr 2020 (Abbildung 1) zeigt, dass sich Unternehmen aus den genannten Gründen für den Einsatz von Predictive Maintenance entscheiden.

Die eingesetzten Datenanalyseverfahren zur PM werden unter anderem durch den Einsatz von neuronalen Netzen und entsprechendes maschinelles Lernen unterstützt. Dadurch können, durch den Abgleich der Echtzeitzustandsdaten mit den Vergangenheitswerten, frühzeitig Muster aufgedeckt werden.³ Da der Mittelstand wenig Knowhow im Bereich der neuronalen Netze besitzt, gilt die Frage zu klären, welche Netze und Lernverfahren existieren und sinnvoll in einem Fertigungsumfeld eingesetzt werden können.

1.2 Ziel und Aufbau der Arbeit

Ziel der Arbeit ist die Erläuterung verschiedener neuronaler Netze und möglicher Lernverfahren. Anhand der Erläuterung sollte die mögliche sinnvolle Anwendung auf eine smarte Rotationswalze für die Herstellung von fein gewalzten Blechen diskutiert werden. Das neuronale Netz sollte dabei frühzeitig Abweichungen erkennen, die zu möglichen Schäden am Bauteil oder der Walze führen.

Die Arbeit baut auf vier Kapiteln auf. Das erste Kapitel gibt eine kurze Einführung in das Thema. Das zweite Kapitel behandelt verschiedene neuronalen Netze und mögliche Lernverfahren. Außerdem wird der Begriff Predictive Maintenance kurz vorgestellt. Im dritten Kapitel wird die Anwendung der in Kapitel zwei erläuterten Themen auf eine smarte Rotationswalze diskutiert. Abschließend wird im vierten Kapitel die Arbeit kritisch gewürdigt und ein Fazit gezogen.

2. Smart Data

Smart Data lässt sich als Oberbegriff für den Prozess der Aufbereitung und Nutzung von digitalisierten Informationen und Daten (Big Data) verwenden. Nicht nur der Prozess, sondern auch daraus entstehende Produkte können unter dem Begriff Smart Data zusammengefasst werden.⁴ Es geht also darum, aus dem Überfluss an Daten Erkenntnisse zu gewinnen und diese „smart“ zu nutzen. Dieser Prozess kann durch neuronale Netze und deren Lernverfahren durchgeführt werden, welche folglich behandelt werden.

2.1 Neuronale Netze

Das klassische künstliche neuronale Netz ist ein informationsverarbeitendes System, bei denen die Funktionen und Strukturen des menschlichen Gehirns nachempfunden werden.^{5 6}

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Vereinfachte Darstellung eines künstlichen neuronalen Netzes (Convolutional-Neural-Network)

Künstliche neuronale Netze bestehen aus einer Eingabe- und Ausgabeschicht und haben keine, eine oder mehrere versteckte Schichten (siehe Abbildung 2). Die künstlichen Neuronen und ihre Verknüpfungen bilden dabei ein Netzwerk, welches zu verschiedenen Berechnungen genutzt werden kann. Signale kann das neuronale Netz empfangen, verarbeiten und entsprechend an das nächste Neuron weitergeleitet oder über die Ausgabeschicht ausgegeben werden. Eine Weitergabe der Signale kann durch Schwellenwerte beeinflusst werden. Wenn die Summe der empfangenen Signale der vorgelagerten Neuronen eine gewisse Schwelle überschreitet, wird das Signal an das anknüpfende Neuron weitergegeben, das Neuron „feuert“.⁷ Auf die gewichtete Summe der Signale wird in fast allen formalen Netzen eine Aktivierungsfunktion angewendet, welche die Eingabe in eine entsprechende Ausgabe umwandelt.⁸ Die neuronalen Netze lassen für Regressions-, Klassifizierungs- und Clusteringproblemen verwenden. Nach der Netzstruktur kann man grundsätzlich zwischen zwei Typen von neuronalen Netzen unterschieden werden, den vorwärtsgetriebenen Netzen bzw. faltendes neuronales Netz (convolutional neural network; CNN) und den rekurrenten Netzen (recurrent neural network; RNN).⁹

2.1.1 Convolutional Neural Network

In Abbildung 2. ist ein klassisches feed-forward-network dargestellt. In einem solchen Netz gibt es keine Schleifen oder Rückkopplungen, sondern nur einen nach vorwärts gerichteten Signalfluss. Das Netz ist also azyklisch.¹⁰ Die Informationen laufen also von der Eingabeschicht in Richtung Ausgabeschicht. Diese Art von neuronalen Netzen lösen verschiedenste Aufgaben, aber im Grunde sollten sie immer Eingabe verarbeiten und die Ausgabe entsprechend klassifizieren.¹¹ Diese Netze lernen meistens mithilfe des überwachten Lernens. Das zu erreichende Ziel wird beim überwachten Lernen mithilfe eines Zielvektors dargestellt. Ziel des Lernprozesses ist es, durch möglichst viele Trainingsdaten die Distanz zwischen dem Zielvektor und den Vektoren, die durch die Zustände der restlichen Neuronen des Netzes gebildet werden, zu minimieren.¹² Ist das Netz mithilfe der Trainingsdaten trainiert, wird dieses durch die Testdaten auf seine Funktionalität geprüft. Ein unüberwachtes Lernen wäre auch möglich. Bei diesem werden dem Netz Ähnlichkeiten und Zusammenhänge von verschiedenen Merkmalen gelernt. Dieses Lernverfahren wird hauptsächlich für das clustern von großen Datenmengen verwendet.¹³

Ein Praxisbeispiel hierfür wäre eine automatische optische Inspektion (AOI). Hier werden dem neuronalen Netz Bilder zum Beispiel von montierten Komponenten an Werkstücken angelernt. Dabei werden die Bilder vom Trainer als Gutteile klassifiziert. Nach der Anlernphase können innerhalb der Fertigungslinie nach der Endmontage die Werkstücke auf Vollständigkeit über die AOI geprüft werden. Hierbei wird ein Bild vom Werkstück gemacht und als Eingabe für das neuronale Netz verwendet. Das neuronale Netz prüft das Bild mit den Bildern aus dem Trainingspool. Stimmen die Bilder mit den gegebenen Anforderungen überein, so klassifiziert das neuronale Netz das Werkstück als Gutteil. Besteht keine Übereinstimmung, so muss das Bauteil in die Nacharbeit, da möglicherweise Komponenten fehlen.

2.1.2 Recurrent Neural Network

Bei rekurrenten Netzwerken spricht man von neuronalen Netzen die vollständig vernetzt sind und komplexe Rückkopplungen haben.¹⁴

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Vereinfachte Darstellung eines rekurrenten neuronalen Netzes (Recurrent Network)¹⁵

Abbildung 3 zeigt eine vereinfachte Darstellung eines rekurrenten neuronalen Netzes. Hier breitet sich die Aktivierung nicht nur von Schicht zu Schicht aus, sondern über die gesamte Matrix. Die Neuronen können sich, durch Selbstreferenzialität, auch selbst verstärken (Neuronen in der verborgenen Schicht in Abbildung 3). Diese Rekurrenz wird insbesondere bei interaktiven Netzwerken ausgenutzt.¹⁶ Anwendung finden diese Netze beispielsweise in der Spracherkennung oder in der Verarbeitung natürlicher Sprache (Natural Language Processing). Dabei erkennen die Netze sequenzielle Merkmale von Daten und Muster, um mögliche nächste Szenarien vorherzusagen. Salopp ausgedrückt erhält das Netz ein „Gedächtnis“, welches bei jedem neuen Signaldurchlauf lernt.

[...]

¹ Vgl. Wanner, et al., 2019

² BearingPoint, 2021

³ Vgl. Meinhardt & Wortmann, 2021, S.180

⁴ Vgl. Springer Fachmedien Wiesbaden, 2015, S.81

⁵ Vgl. Kruse, et al., 2015, S.7-8

⁶ Eigene Darstellung

⁷ Vgl. Kersting, et al., 2019, S.152

⁸ Vgl. Ertel, 2016, S.269

⁹ Vgl. Kruse, et al., 2015, S.35

¹⁰ Vgl. Kruse, et al., 2015, S.35

¹¹ Alexander Thamm GmbH, 2022

¹² Vgl. Klüver, et al., 2021, S.189

¹³ Vgl. Kersting, et al., 2019, S.26

¹⁴ Vgl. Ertel, 2016, S.271

¹⁵ Eigene Darstellung

¹⁶ Vgl. Klüver, et al., 2021, S.187