Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
-
Laura Knitter
Laura Knitter, M. Sc., studierte Maschinenbau an der Universität Rostock und arbeitet seit 2021 als Wissenschaftliche Mitarbeiterin in dem Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP.
,
Konrad Jagusch
Konrad Jagusch, M. Sc., schloss das Maschinenbaustudium an der Universität Rostock ab und leitet das Team Produktionsplanung und -steuerung am Fraunhofer IGP.
Christian Scharr, M. Sc., studierte Mathematik an den Universitäten Rostock und Hamburg. Er arbeitet als Wissenschaftlicher Mitarbeiter in der Gruppe Messen von Großstrukturen am Fraunhofer IGP.
Dr.-Ing. Christoph Heinze absolvierte sein Maschinenbaustudium an der Universität Magdeburg. Er arbeitet als Wissenschaftlicher Mitarbeiter in der Gruppe Messen von Großstrukturen am Fraunhofer IGP.
Dr.-Ing. Jan Sender ist studierter Wirtschaftsingenieur. Er promovierte und habilitierte an der Universität Rostock. Seit 2009 ist er am Fraunhofer IGP tätig. Seit 2019 leitet er die Abteilung Produktionssysteme und Logistik.
Prof. Dr.-Ing. Wilko Flügge ist Inhaber des Lehrstuhls Fertigungstechnik an der Universität Rostock und Leiter des Fraunhofer-Instituts für Großstrukturen in der Produktionstechnik.
Abstract
Die Auswertung sensorischer Daten von stationären Betriebsmitteln in der Produktion bietet Potenziale zur Reduktion störungsbedingter Kosten. Vernetzte Sensoren dienen dabei zur datengetriebenen Fehlerursachenanalysen. In diesem Beitrag wird ein generalisierter Ansatz zur Detektion von anomalen Zuständen auf Basis maschineller Lernalgorithmen und die Lokalisierung der Ursache vorgestellt. Um Aufwände zur datentechnischen Abbildung der Ausfälle zu minimieren, wird eine Datengenerierung durch den Bediener herangezogen. Eine Validierung des Ansatzes zeigt, dass unüberwachte Lernmethoden Potenziale zur Erkennung von Störungen selbst auf Basis kleiner Datensätze aufweisen.
Abstract
In this paper, an automated human-centered system for aggregate monitoring and fault detection was presented. A special characteristic is the initial use of unsupervised learning to examine unlabeled sound data for anomalies. An enrichment of data by labeling fault cases through human interaction leads to a successive change of the algorithm into a semisupervised and finally supervised procedure. The suitability of unsupervised learning algorithms for anomaly detection in sound data was verified.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWFAdvisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Förderhinweis
Dieser Beitrag entstand auf der Basis verschiedener Forschungsprojekte (TBI-V-1 – 382-VBW-130, TBI-V-1 – 384-VBW-131, TBI-V-1 – 386-VBW-132), welche durch das Technologie-Beratungs-Institut ermöglicht wurden.
About the authors
Laura Knitter, M. Sc., studierte Maschinenbau an der Universität Rostock und arbeitet seit 2021 als Wissenschaftliche Mitarbeiterin in dem Team Produktionsplanung und -steuerung am Fraunhofer-Institut für Großstrukturen in der Produktionstechnik IGP.
Konrad Jagusch, M. Sc., schloss das Maschinenbaustudium an der Universität Rostock ab und leitet das Team Produktionsplanung und -steuerung am Fraunhofer IGP.
Christian Scharr, M. Sc., studierte Mathematik an den Universitäten Rostock und Hamburg. Er arbeitet als Wissenschaftlicher Mitarbeiter in der Gruppe Messen von Großstrukturen am Fraunhofer IGP.
Dr.-Ing. Christoph Heinze absolvierte sein Maschinenbaustudium an der Universität Magdeburg. Er arbeitet als Wissenschaftlicher Mitarbeiter in der Gruppe Messen von Großstrukturen am Fraunhofer IGP.
Dr.-Ing. Jan Sender ist studierter Wirtschaftsingenieur. Er promovierte und habilitierte an der Universität Rostock. Seit 2009 ist er am Fraunhofer IGP tätig. Seit 2019 leitet er die Abteilung Produktionssysteme und Logistik.
Prof. Dr.-Ing. Wilko Flügge ist Inhaber des Lehrstuhls Fertigungstechnik an der Universität Rostock und Leiter des Fraunhofer-Instituts für Großstrukturen in der Produktionstechnik.
Literatur
1 Seebo: Why Predictive Maintenance is Driving Industry 4.0. 2020Search in Google Scholar
2 Breimeier, J.: Was kostet eine Stunde Stillstandzeit? Online verfügbar unter https://www.produktionsleiter.today/was-kosteteine-stunde-stillstandszeit/ [Abruf am 10.08.2022]Search in Google Scholar
3 Senseye; Weinzierl, S.: In diesen Industrien kosten Maschinenausfälle am meisten. Online verfügbar unter https://www. instandhaltung.de/organisation/in-diesenindustrien-kosten-maschinenausfaelle-ammeisten-130.html#:~:text=Es%20wird%20 gesch%C3 %A4tzt%2C%20dass%2C%20ku mulativ,864%20Milliarden%20US%2DDo llar%20berechnet [Abruf am 10.08.2022]Search in Google Scholar
4 Statista Research Department: Nutzung von Maschinen- und Sensordaten in Unternehmen 2017 [Abruf am 11.08.2022]Search in Google Scholar
5 Senseye: The True Cost of Downtime: How Much Do Leading Manufacturers Lose through Inefficient Maintenance. Report, 2021Search in Google Scholar
6 Ermakova, T.; Blume, J.; Fabian, B.; Fomenko, E.; Berlin, M.; Hauswirth, M.: Beyond the Hype: Why Do Data-Driven Projects Fail? Hawaii International Conference on System Sciences, 2021 DOI:10.24251/HICSS.2021.61910.24251/HICSS.2021.619Search in Google Scholar
7 Reiß, R.: Leitfaden zum Entwurf eines Concolutional Neural Networks: eine kurze Einführung in den Bereich der maschinellen Bildbearbeitung. 2019Search in Google Scholar
8 Wiedenbeck, M.; Züll, C.: Clusteranalyse. In Wolf, C.; Best, H. (Hrsg.): Handbuch der sozialwissenschaftlichen Datenanalyse. VS Verlag für Sozialwissenschaften, Wiesbaden 2010, S. 525–552 DOI:10.1007/978-3-531-92038-2_2110.1007/978-3-531-92038-2_21Search in Google Scholar
9 Sutskever, I.; Jozefowicz, R.; Gregor, K.; Rezende, D.; Lillicrap, T.; Vinyals, O.: Towards Principled Unsupervised Learning (20. Nov. 2015). Online verfügbar unter http://arxiv.org/pdf/1511.06440v2Search in Google Scholar
10 Gudivada, V.; Ding, J.: Data Quality Considerations for Big Data and Machine Learning: Going Beyond Data Cleaning and Transformations. International Journal on Advances in Software (2017) 10.1, S. 1–20Search in Google Scholar
11 García, S.; Luengo, J.; Herrera, F.: Tutorial on Practical Tips of the Most Influential Data Preprocessing Algorithms in Data Mining. Knowledge-Based Systems 98 (2016) S. 1–29 DOI:10.1016/j.knosys.2015.12.00610.1016/j.knosys.2015.12.006Search in Google Scholar
12 Xu, Z.; Saleh, J. H.: Machine Learning for Reliability Engineering and Safety Applications: Review of Current Status and Future Opportunities. Reliability Engineering & System Safety 211 (2021) DOI:10.1016/j.ress.2021.10753010.1016/j.ress.2021.107530Search in Google Scholar
13 Tao, S.; Zhang, T.; Yang, J.; Wang, X.; Lu, W.: Bearing Fault Diagnosis Method Based on Stacked Autoencoder and Softmax Regression. In: Proceedings of the 2015 34th Chinese Control Conference (CCC), Hangzhou, China, 2015, S. 6331–6335 DOI:10.1109/ChiCC.2015.726063410.1109/ChiCC.2015.7260634Search in Google Scholar
14 Yan, W.;Yu, L.: On Accurate and Reliable Anomaly Detection for Gas Turbine Combustors: A Deep Learning Approach. 2019Search in Google Scholar
15 Li, Y.-F.; Liang, D.-M.: Safe Semi-supervised Learning: A Brief Introduction. Frontiers of Computer Science 13 (2019) 4, S. 669–676 DOI:10.1007/s11704-019-8452-210.1007/s11704-019-8452-2Search in Google Scholar
16 F. I.-I. VDMA: Leitfaden Retrofit für Industrie 4.0: Neuer Nutzen mit vorhandenen MaschinenSearch in Google Scholar
17 Oehm, L.; Müller, T.: Kooperative Störungsdiagnose durch Bediener und Assistenzsystem für Verarbeitungsanlagen. 2018Search in Google Scholar
18 Purohit, H. et al.: MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection. 2019 DOI:10.33682/m76f-d61810.33682/m76f-d618Search in Google Scholar
19 Mannino, M.; Abouzied, A.: Is this Real?: Generating Synthetic Data that Looks Real. In: UIST ,19: The 32nd Annual ACM Symposium on User Interface Software and Technology, New Orleans LA USA, 2019, S. 549–561 DOI:10.1145/3332165.334786610.1145/3332165.3347866Search in Google Scholar
20 Pena, B.; Huang, L.: Wave-GAN: A deep learning Approach for the Prediction of Nonlinear Regular Wave Loads and Run-up on a Fixed Cylinder. Coastal Engineering 167 (2021), S. 103902, DOI:10.1016/j.coastaleng.2021.10390210.1016/j.coastaleng.2021.103902Search in Google Scholar
21 Libes, D.; Lechevalier, D.; Jain, S.: Issues in Synthetic Data Generation for Advanced Manufacturing. In: Proceedings of the 2017 IEEE International Conference on Big Data (Big Data), Boston, MA, 2017, S. 1746–1754 DOI:10.1109/BigData.2017.825811710.1109/BigData.2017.8258117Search in Google Scholar
22 Rastegari, A.; Bengtsson, M.: Cost Effectiveness of Condition Based Maintenance in Manufacturing. In: Proceedings of the 2015 Annual Reliability and Maintainability Symposium (RAMS), Palm Harbor, FL, USA, 2015, S. 1–6 DOI:10.1109/RAMS.2015.710507910.1109/RAMS.2015.7105079Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Ein Klima des ständigen Wandels
- Produktionsmanagement
- Datengetriebene Produktion zum Anfassen
- Maschinelles Lernen
- Human-in-the-Loop-Ansatz vereinfacht maschinelles Lernen für das Störungsmanagement
- VR-basierte Schulung
- Qualifikation von Maschinenbedienenden
- Assistenzsysteme
- Einsatz eines Sprachassistenzsystems in der Produktion
- Qualifizieren statt Dressieren?
- Operator 5.0: Intelligente Arbeitsergonomie im Automobilumschlag
- MTM-Analyse
- Automatisierte Erstellung von MTM-Analysen
- Nachhaltigkeit
- Sustainability Value – Ökologie und Ökonomie auf einen Blick
- Elektrische Antriebe
- Entwicklung eines Condition-Monitoring-Systems für Niederspannungsmotoren
- Federnde Rotorkomponenten für elektrische Antriebe
- Energiespeicherung
- Entwicklung einer autonomen Elektrodenbeschichtung
- Wirtschaftlichkeit
- Beherrschung von Nachfrageschwankungen durch Belastungsflexibilität
- Schleiftechnologie
- Sensorische Schleifspindel fühlt Prozesskräfte beim Werkzeugschleifen
- Digitalisierung
- Paperless Production in der Prozessindustrie
- Digitaler Zwilling
- Vorgehensmodell zur Erstellung Digitaler Zwillinge für Produktion und Logistik
- Künstliche Intelligenz
- Intelligente Schweißroboter
- Vorschau
- Vorschau
