Identifikation von hybriden Modellen für die Anomalie- Erkennung in der diskreten Fertigungstechnik

Aufgrund zunehmender Vernetzung von Automatisierungsgeräten und der steigenden Rechenleistung von eingebetteten Geräten (Cyber-Physical Systems) werden Produktionsanlagen immer komplexer.
Dies führt zu einer steigenden Fehleranfälligkeit der Systeme und damit zu einer erschwerten Fehler- Erkennung und -Analyse. Die Aufgabe des Menschen wandelt sich vom Bedienen zum Überwachen.
Aber aufgrund der steigenden Komplexität der Anlagen werden Maschinenbediener auch mit der Überwachung zunehmend überfordert. Die Überwachung der Anlage umfasst im Wesentlichen die Erkennung von Fehlern im regulären Produktionsablauf. Weit verbreitet sind Ansätze aus dem Bereich der modellbasierten Diagnose. Dabei wird ein Modell verwendet, um das Verhalten der Anlage zu prognostizieren. Diese Prognose wird mit dem realen Verhalten verglichen und bei einer Abweichung ein Fehler gemeldet. Hier setzt diese Arbeit mit der Identifikation von hybriden Modellen an, welche anschließend für die Anomalie-Erkennung und Diagnose genutzt werden.

Entwicklung von Methoden zur Identifikation von diskreten und hybriden Verhaltensmodellen

Der/die Studierende soll in diesem Projekt in zwei Schritten Methoden zur Identifikation von diskreten und hybriden Verhaltensmodellen entwickeln.

1. Diskrete Modellidentifikation: Produktionsanlagen der diskreten Fertigungstechnik zeichnen sich durch eine Vielzahl diskreter Signale aus. Soll in solchen Anlagen eine Anomalie- Erkennung/ Diagnose durchgeführt werden, so können herkömmliche Methoden wie eine Zeitreihenanalyse oder Neuronale Netzwerke nicht eingesetzt werden. Dazu bedarf es diskreter Modelle, die zudem die Zeit explizit modellieren, wie beispielsweise zeitbehaftete Zustandsautomaten (Timed Automaton). Die Aufgabenstellung umfasst das Aufarbeiten des Stands der Technik und die (Weiter-)Entwicklung von Algorithmen zur automatischen Identifikation diskreter Verhaltensmodelle.
2. Hybride Modellidentifikation: In der diskreten Fertigungstechnik werden auch kontinuierliche Sensordaten (z.B. für Druck, Temperatur, etc.) verwendet. Im zweiten Schritt der Arbeit sollen daher Methoden aus dem Stand der Technik (z.B. Neuronale Netze oder auch Deep Learning) verwendet werden, um die diskreten Modelle um den kontinuierlichen Teil zu erweitern, woraus die Hybriden Modelle entstehen.

Bezug zum Thema Data Science 
Die Entwicklung von Algorithmen für zeitbehaftete hybride Modelle ist ein wesentlicher Bestandteil der Data Science und bildet die Grundlage für zahlreiche Applikation insbesondere in der automatisierten Produktion.

Verfügbare Ressourcen

• Der Demonstrator (diskrete Fertigungsanlage) des Fraunhofer IOSB-INA kann im Rahmen des Projektes zur Datengenerierung, -Erfassung und -Auswertung genutzt werden
• der Ansprechpartner am Fraunhofer IOSB-INA wird über die Projektlaufzeit zur Verfügung stehen
• Hardware für die Programmierung ist über das Predictive Maintenance Lab der HSBI verfügbar

Projektplan

• Erstes Semester: Erstellung eines Forschungsexposees, Stand der Technik Recherche zur diskreten und hybriden Modellidentifikation
• Zweites Semester: Erstellung eines Papers als Überblick über das Forschungsgebiet, Implementierung eines Algorithmus zur diskreten Modellidentifikation
• Drittes Semester: Erstellung eines Papers mit ersten quantitativen Ergebnissen, Erweiterung der Algorithmen zur Identifikation hybrider Modelle, Einbindung der entwickelten Algorithmen in den Demonstrator beim Fraunhofer IOSB-INA
• Viertes Semester: Masterarbeit und Kolloquium

Kriterien zur Überprüfung der Eignung der Bewerberin oder des Bewerbers
Zwingend: Kenntnisse in Algorithmenentwicklung und Datenstrukturen, Programmierkenntnisse
Optional: -Domänenwissen zu diskreter Fertigungstechnik

Erwerbbare Kompetenzen durch das Projekt

• ML-Verfahren zur diskreten Modellidentifikation
• ML-Verfahren zur kontinuierlichen Modellidentifikation
• Sensordatenverarbeitung