Konzept zur selektiven Modelladaption durch Clustering von Prozessdaten
-
Christian Brecher
Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist Universitätsprofessor der RWTH Aachen und Mitglied des Direktoriums des Werkzeugmaschinenlabors WZL der RWTH Aachen sowie des Fraunhofer-Instituts für Produktionstechnologie IPT in Aachen. Er leitet den Lehrstuhl für Werkzeugmaschinen.
Nils Frenkel, M. Sc., geb. 1988, ist seit Juli 2017 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Vincent Lohrmann, M. Sc., geb. 1994, ist seit Dezember 2019 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Janis Ochel, M. Sc. M. Sc., geb. 1994, ist seit Januar 2019 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
,
Anton Strachkov
Anton Strachkov, M. Sc., geb. 1992, ist seit März 2018 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Marian Wiesch, M. Sc., geb. 1991, ist seit April 2017 Wssenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Dr.-Ing. Marcel Fey, geb. 1982, ist Oberingenieur der Abteilung Maschinendatenanalyse & NC-Technik am Lehrstuhl für Werkzeugmaschinen des WZL der RWTH Aachen.
Abstract
Die indirekte Bestimmung von Maschinen- und Komponentenzuständen erfordert eine signalquellenabhängige Modellparametrierung. Eine zentrale Herausforderung ist hierbei die Adaption bestehender Modelle für neue Randbedingungen. In diesem Beitrag wird ein Konzept zum datengetriebenen Clustering von geschlossenen Prozessabschnitten vorgestellt, mit dessen Hilfe eine gezielte Modellanpassung und -wiederverwendung ermöglicht werden. Eine Anwendung wird anhand zweier Anwendungsmöglichkeiten konzeptionell illustriert.
Abstract
The indirect determination of machine and component states requires a signal source-dependent model parameterization. A central challenge is the adaptation of existing models to new boundary conditions. In this paper, a concept for data-driven clustering of closed process sections is presented, which enables targeted model adaptation and reuse. An application is conceptually illustrated using two potential applications.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Förderhinweis
Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen der Exzellenzstrategie des Bundes und der Länder – EXC-2023 Internet of Production – 390621612.
About the authors
Prof. Dr.-Ing. Christian Brecher, geb. 1969, ist Universitätsprofessor der RWTH Aachen und Mitglied des Direktoriums des Werkzeugmaschinenlabors WZL der RWTH Aachen sowie des Fraunhofer-Instituts für Produktionstechnologie IPT in Aachen. Er leitet den Lehrstuhl für Werkzeugmaschinen.
Nils Frenkel, M. Sc., geb. 1988, ist seit Juli 2017 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Vincent Lohrmann, M. Sc., geb. 1994, ist seit Dezember 2019 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Janis Ochel, M. Sc. M. Sc., geb. 1994, ist seit Januar 2019 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Anton Strachkov, M. Sc., geb. 1992, ist seit März 2018 Wissenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Marian Wiesch, M. Sc., geb. 1991, ist seit April 2017 Wssenschaftlicher Mitarbeiter in der Abteilung Maschinendatenanalyse & NC-Technik am WZL der RWTH Aachen, Lehrstuhl für Werkzeugmaschinen.
Dr.-Ing. Marcel Fey, geb. 1982, ist Oberingenieur der Abteilung Maschinendatenanalyse & NC-Technik am Lehrstuhl für Werkzeugmaschinen des WZL der RWTH Aachen.
Literatur
1 Brecher, C.; Biernat, B.; Fey, M.; Kehne, S.; Lohrmann, V.; Spierling, R.; Wiesch, M.: Data Science in Production. 30. Aachener Werkzeugmaschinen-Kolloquium. In: Bergs, T.; Brecher, C.; Schmitt, R.; Schuh, G.: Internet of Production – Turning Data into Sustainability: AWK‘21. Apprimus-Verlag, Aachen 2021, S. 221–258Search in Google Scholar
2 Möhring, H C.; Wiederkehr, P.; Erkorkmaz, K.; Kakinuma, Y.: Self-optimizing Machining Systems. CIRP Annals 69 (2020) 2, S. 740-763 DOI:10.1016/j.cirp.2020.05.00710.1016/j.cirp.2020.05.007Search in Google Scholar
3 Dogan, A.; Birant, D.: Machine Learning and Data Mining in Manufacturing. Expert Systems with Applications 166 (2021) 114060 DOI:10.1016/j.eswa.2020.11406010.1016/j.eswa.2020.114060Search in Google Scholar
4 Unterberg, M.; Voigts, H.; Weiser, I.; Feuerhack, A.; Trauth, D.; Bergs, T.: Wear Monitoring in Fine Blanking Processes Using Feature Based Analysis of Acoustic Emission Signals. Procedia CIRP 104 (2021), S. 164–169 DOI:10.1016/j.procir.2021.11.02810.1016/j.procir.2021.11.028Search in Google Scholar
5 de Ryck, T.; de Vos, M.; Bertrand, A.: Change Point Detection in Time Series Data Using Autoencoders with a Time-Invariant Representation. IEEE Transactions on Signal Processing 69 (2021), S. 3513–3524 DOI:10.1109/TSP.2021.308703110.1109/TSP.2021.3087031Search in Google Scholar
6 Seevers, J.-P.; Johst, J.; Weiß, T.; Meschede, H.; Hesselbach, J.: Automatic Time Series Segmentation as the Basis for Unsupervised, Non-Intrusive Load Monitoring of Machine Tools. Procedia CIRP 81 (2019), S. 695–700 DOI:10.1016/j.procir.2019.03.17810.1016/j.procir.2019.03.178Search in Google Scholar
7 Ezugwu, A.; Shukla, A.; Agbaje, M.; Oyelade, O.; José-García, A.; Agushaka, J.: Automatic Clustering Algorithms: A Systematic Review and Bibliometric Analysis of Relevant Literature. Neural Computing and Applications 33 (2021) 11, S. 6247–6306 DOI:10.1007/s00521-020-05395-410.1007/s00521-020-05395-4Search in Google Scholar
8 Spiegel, S.; Gaebler, J.; Lommatzsch, A.; de Luca, E.; Albayrak, S.: Pattern Recognition and Classification for Multivariate Time Series. In: Chandola, V.; Omitaomu, O.; Steinhaeuser, K.; Ganguly, A.; Gama, J.; Vatsavai, R.; Chawla, N.; Gaber, M. (Hrsg.): Proceedings of the 5th International Workshop on Knowledge Discovery from Sensor Data – SensorKDD ‚11. ACM Press, New York, New York, USA 2011, S. 34–42 DOI:10.1145/2003653.200365710.1145/2003653.2003657Search in Google Scholar
9 Ochel, J.; Fey, M.; Brecher, C.: Semantically Meaningful Segmentation of Milling Process Data. In: Behrens, B.-A.; Brosius, A.; Drossel, W.-G.; Hintze, W.; Ihlenfeldt, S.; Nyhuis, P. (Hrsg.): Production at the Leading Edge of Technology. Springer International Publishing, Cham 2022, S. 319–327 DOI:10.1007/978-3-030-78424-9_3610.1007/978-3-030-78424-9_36Search in Google Scholar
10 Barandas, M.; Folgado, D.; Fernandes, L.; Santos, S.; Abreu, M.; Bota, P.; Liu, H.; Schultz, T.; Gamboa, H.: TSFEL: Time Series Feature Extraction Library. SoftwareX 11 (2020), S. 100456 DOI:10.1016/j.softx.2020.10045610.1016/j.softx.2020.100456Search in Google Scholar
11 McInnes, L.; Healy, J.; Melville, J.: UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv 2018 DOI:10.21105/joss.0086110.21105/joss.00861Search in Google Scholar
12 Campello, R.; Moulavi, D.; Sander, J.: Density-Based Clustering Based on Hierarchical Density Estimates. In: Hutchison, D.; Kanade, T.; Kittler, J.; Kleinberg, .J; Mattern, F.; Mitchell, J.; Naor, M.; Nierstrasz, O.; Pandu Rangan, C.; Steffen, B.; Sudan, M.; Terzopoulos, D.; Tygar, D.; Vardi, M.; Weikum, G.; Pei, J.; Tseng, V.; Cao, L.; Motoda, H.; Xu, G. (Hrsg.): Advances in Knowledge Discovery and Data Mining. Springer-Verlag, Berlin, Heidelberg 2013, S. 160–172 DOI:10.1007/978-3-642-37456-2_1410.1007/978-3-642-37456-2_14Search in Google Scholar
13 Brecher, C.; Eckel, H.-M.; Motschke, T.; Fey, M.; Epple, A.: Estimation of the Virtual Workpiece Quality by the Use of a Spindleintegrated Process Force Measurement. CIRP Annals 68 (2019) 1, S. 381–384 DOI:10.1016/j.cirp.2019.04.02010.1016/j.cirp.2019.04.020Search in Google Scholar
14 Frieß, U.; Kolouch, M.; Friedrich, A.; Zander, A.: Fuzzy-clustering of Machine States for Condition Monitoring. CIRP Journal of Manufacturing Science and Technology 23 (2018), S. 64–77 DOI:10.1016/j.cirpj.2018.09.00110.1016/j.cirpj.2018.09.001Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Von Industrie 4.0 zum industriellen Metaverse
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Fabrikplanung
- Zielorientierte und kontextbasierte Baukostenabschätzung in der frühen Fabrikplanung
- Blue Print Plant Model
- Optimierte Auswahl von Fabrikelementen
- Die Notwendigkeit iterativer Kommunikation in der Fabrikreorganisation
- Produktionssysteme
- Zieltransformation in Ganzheitlichen Produktionssystemen
- Energieeffizienz
- Energieeffizienzmaßnahmen im Industriebestand
- Energieoptimierte Produktionsplanung
- Digitale Fertigung
- Konzept zur selektiven Modelladaption durch Clustering von Prozessdaten
- Modularisierung
- Zielgerichtete Gestaltung modularer Maschinen-Architekturen
- Faktor Mensch
- Human Factors in der integrierten Produktentwicklung
- Handhabung
- Formvariable Handhabung schmiedewarmer Massivbauteile
- Digitalisierung
- Digitalisierung ohne Programmierung
- Umsetzung der Digitalisierung in der Produktentwicklung
- Hürden der Digitalisierung in KMU
- Künstliche Intelligenz
- Produzierendes Gewerbe auf internationalem Niveau
- Digitaler Zwilling
- Der digitale Fabrikzwilling
- Assistenzsysteme
- Digitale Assistenzsysteme strukturiert umsetzen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Von Industrie 4.0 zum industriellen Metaverse
- Automobilindustrie
- Disruptive Veränderungen in der Automobilindustrie bedingen neue Entwicklungsprozesse
- Fabrikplanung
- Zielorientierte und kontextbasierte Baukostenabschätzung in der frühen Fabrikplanung
- Blue Print Plant Model
- Optimierte Auswahl von Fabrikelementen
- Die Notwendigkeit iterativer Kommunikation in der Fabrikreorganisation
- Produktionssysteme
- Zieltransformation in Ganzheitlichen Produktionssystemen
- Energieeffizienz
- Energieeffizienzmaßnahmen im Industriebestand
- Energieoptimierte Produktionsplanung
- Digitale Fertigung
- Konzept zur selektiven Modelladaption durch Clustering von Prozessdaten
- Modularisierung
- Zielgerichtete Gestaltung modularer Maschinen-Architekturen
- Faktor Mensch
- Human Factors in der integrierten Produktentwicklung
- Handhabung
- Formvariable Handhabung schmiedewarmer Massivbauteile
- Digitalisierung
- Digitalisierung ohne Programmierung
- Umsetzung der Digitalisierung in der Produktentwicklung
- Hürden der Digitalisierung in KMU
- Künstliche Intelligenz
- Produzierendes Gewerbe auf internationalem Niveau
- Digitaler Zwilling
- Der digitale Fabrikzwilling
- Assistenzsysteme
- Digitale Assistenzsysteme strukturiert umsetzen
- Vorschau
- Vorschau
