Data Analytics in der Massivumformung

Wie aus Prozessdaten Wissen wird - wesentliche Aspekte des Knowledge-Discovery-Prozesses.

Data Analytics – Modellierung

Am IAS wird im Rahmen des vom BMWi geförderten Projektes „Effizienzschub in der Massivumformung durch Entwicklung und Integration digitaler Technologien im Engineering der gesamten Wertschöpfungskette (EMuDig 4.0)“ ein neuer Modellprozess konzipiert und umgesetzt. Der Modellprozess setzt sich aus verschiedenen Komponenten zusammen, die in ihrer Gesamtheit alle wesentlichen Aspekte des sogenannten Knowledge-Discovery-Prozesses abdecken. Dabei handelt es sich um die theoretische Grundlage der meisten datenanalytischen Ansätze, die heute im Kontext von Industrie 4.0 oft mit Begriffen wie dem Maschinellen Lernen, Data Analytics oder Big Data umschrieben werden. Der Prozess propagiert im Wesentlichen 5 Schritte, die durchlaufen werden müssen, um aus Daten Wissen zu extrahieren und semantisch zu beschreiben. Diese sind

  1. die Datenerfassung und -annotation,
  2. die Datenintegration und -verarbeitung,
  3. die Datentransformation, -modellierung und -reduktion,
  4. die Datenanalyse sowie
  5. die Ergebnisinterpretation zur Entscheidungsfindung.

Auf Basis einer EtherCat-basierten Kommunikations- und Simulationsumgebung wurde ein steuerungsbasierter Konnektor implementiert, der den zweiten Schritt des skizzierten KD-Prozesses realisiert. Dazu wurde eine generische Softwarekomponente entwickelt, die die Eingänge der Anlagensteuerungen „abhört“, transformiert und als „Stream“ oder dateibasiert für außenstehende Anwendungen zur Verfügung stellt. Dadurch wird die Prozesskette IoT-fähig.

 

Data Analytics – Qualitätsüberwachung

Die gewonnen Daten werden in der „Cloud“ abgelegt und verwaltet. Ein GPU-Server wird dazu genutzt, auf Basis multidimensionaler Datenmodellierung und OLAP-basierten Ad-hoc-Analysen in nahezu Echtzeit auf die Prozesskette einzuwirken. Am IAS wird dazu ein Assistenzsystem entwickelt, das Nutzern live Handlungsempfehlungen zur Optimierung der Prozessabläufe gibt. Für langfristige Analysen und zur systematischen sowie inkrementellen Extraktion von Prozesswissen sollen die historischen Daten auf unbekannte Muster und Zusammenhänge untersucht werden. Dazu wird an neuartigen Ansätzen im Bereich des Data Mining geforscht. Zusätzlich werden aufgrund der hochdimensionalen Datenräume Verfahren zur effizienten Transformation und Reduktion der Daten unter Minimierung des den Daten inhärenten Informationsgehaltes untersucht und empirisch erprobt.

Auf dieser Basis soll ein intelligentes Framework entstehen, das das Prozessgeschehen stetig optimiert. Da das Assistenzsystem Cloud-basiert realisiert wird, soll die Ergebnisvisualisierung einerseits auf mobilen Endgeräten wie Smartphones oder AR-Glasses möglich sein und darüber hinaus auf einem übersichtlichen Touch Panel umgesetzt werden, sodass es Nutzern und Besuchern möglich wird, direkt mit dem Analysesystem in Kontakt zu treten und zu interagieren.

Publikationen zum Projekt „EMuDig4.0“

  1. 2019

    1. B. Ashtari Talkhestani, T. Jung, B. Lindemann, N. Sahlab, N. Jazdi, W. Schloegl, und M. Weyrich, „An architecture of an Intelligent Digital Twin in a Cyber-Physical Production System“, at - Automatisierungstechnik, Band 67, Heft 9, Seiten 762–782, 2019.
    2. B. Lindemann, N. Jazdi, und M. Weyrich, „Detektion von Anomalien zur Qualitätssicherung basierend auf Sequence-to-Sequence LSTM Netzen“, at - Automatisierungstechnik, vol. 67, no. 12, 2019, 2019.
  2. 2018

    1. B. Lindemann, F. Fesenmayr, N. Jazdi, und M. Weyrich, „Anomaly Detection in Discrete Manufacturing Using Self-Learning Approaches“, in 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 18-20 July 2018, Gulf of Naples, Italy, 2018.
    2. B. Lindemann, C. Karadogan, N. Jazdi, M. Liewald, und M. Weyrich, „Cloud-based Control Approach in Discrete Manufacturing Using a Self-Learning Architecture“, in 3rd IFAC Conference on Embedded Systems, Computational Intelligence and Telematics in Control – CESCIT 2018, 2018.
    3. B. Lindemann, N. Jazdi, und M. Weyrich, „Multidimensionale Datenmodellierung und Analyse zur Qualitätssicherung in der Fertigungsautomatisierung“, in Automation 2018 03.-04.07.2018 Baden-Baden, 2018.
    4. M. Liewald, C. Karadogan, B. Lindemann, N. Jazdi, und M. Weyrich, „On the tracking of individual workpieces in hot forging plants“, CIRP Journal of Manufacturing Science and Technology, Bd. 22, S. 116–120, Aug. 2018.
    5. M. Liewald, C. Woerz, G. Reichardt, C. Karadogan, und B. Lindemann, „Volatile Media as Lubricant Substitutes in Deep Drawing and Tracking of Individual Workpieces in Hot Forging Plants“, in International Conference on Production Research – 5th International Conference on Quality and Innovation in Engineering and Management (ICPR QIEM 2018), 25-27 July 2018, Cluj-Napoca, Romania, 2018.
  3. 2017

    1. B. Lindemann, N. Jazdi, und M. Weyrich, „Softwaresysteme zur Qualitätssicherung in der Umformtechnik – Ein Ansatz für die echtzeitfähige und prozessübergreifende Qualitätsüberwachung“, Industrie 4.0 Management, Nr. 6, Dez. 2017.
Zum Seitenanfang