GSaME C2-027

Hybride Methoden der Fehlererkennung und Fehlerdiagnose: Kombination datengetriebener Modellen mit wissensbasierten Modellen

Projektbeschreibung

Fortschritte bei den Informations- und Kommunikationstechnologien in der Produktion ermöglichen die Erfassung großer Mengen verschiedener Daten von Produktionsprozessen. Dies ermöglicht eine Effizienzsteigerung von Produktionsprozessen durch datengetriebene Analysen mit maschinellem Lernen. In den meisten realen Anwendungen hat jedoch nur ein geringer Teil der verfügbaren Daten in der Produktion eine ausreichende Qualität für datengetriebene Analysen.

In diesem Projekt werden hybride Methoden zur Fehlererkennung und Fehlerdiagnose (engl. Fault Detection and Diagnosis - FDD) untersucht und entwickelt. Hybride FDD-Methoden kombinieren datengetriebene Methoden mit weiteren Modellen, die primär aus Domänenwissen abgeleitet werden. Diese können z. B. physikalisch basierte Modelle sein oder Modelle, die auf Basis typischer Wissensquellen in der Produktion wie FMEA-Dokumente erstellt werden. Solche hybriden Ansätze für die FDD zielen darauf ab, den Mangel an ausreichenden Daten zu überwinden und die Performanz von FDD-Ansätzen zu verbessern.

Die in diesem Projekt entwickelten hybriden FDD-Ansätze werden anhand zweier realer Anwendungsfälle in der Produktion, die vom Industriepartner des Projekts zur Verfügung gestellt werden, evaluiert. Beim ersten Anwendungsfall ist die datengetriebene Qualitätsvorhersage einer hochautomatisierten Montagelinie die Zielsetzung. Der zweite Anwendungsfall realisiert die FDD für servopneumatische Schweißzangen über Deep Learning Modelle sowie über zwei physikalisch modellbasierte FDD-Ansätze. Hierbei werden die datengetriebenen und physikalisch modellbasierten Modelle über ein Entscheidungsfusions-Framework kombiniert.  In beiden Anwendungsfällen werden Werker zudem bei der Korrektur aufgetretener Fehler über ein Entscheidungsunterstützungssystem auf Basis Bayes’scher Netze unterstützt werden.

Kooperationspartner und Förderung

Dieses Bild zeigt Yannick Wilhelm
M.Sc.

Yannick Wilhelm

Wissenschaftlicher Angestellter

Dieses Bild zeigt Peter Reimann
Dr. rer. nat.

Peter Reimann

Wissenschaftlicher Angestellter

Dieses Bild zeigt Bernhard Mitschang
Prof. Dr.-Ing. habil.

Bernhard Mitschang

Institutsleiter

Zum Seitenanfang