Kollaboratives Modelltraining und Datensicherheit

Motivation

Die Rentabilität von Werkzeugmaschinen in der spanenden Fertigung hängt maßgeblich von deren Produktivität ab, welche durch Stillstände der Werkzeugmaschine negativ beeinflusst wird. Unvorhergesehener Verschleiß oder Bruch der Zerspanungswerkzeuge verursachen hohe Stillstandzeiten [1] und können zu Formabweichungen und zu Werkstückausschuss führen [2]. Ein vorzeitiger, rein statistisch abgesicherter Werkzeugwechsel ist wiederum unwirtschaftlich, da die Kosten für Werkzeuge die Produktionskosten mit bis zu 12 Prozent beeinflussen [3]. Mithilfe der Werkzeugzustandsüberwachung (engl.: tool condition monitoring, TCM) kann der Werkzeugverschleiß bestimmt werden. Als Modelle werden häufig tiefe neuronale Netze verwendet, mithilfe derer der Werkzeugverschleiß auf Basis von Sensordaten durch eine zuvor trainierte Korrelationsbeziehung errechnet werden kann. Für das Training werden jedoch große Datenmengen benötigt. Diese Daten müssen individuell für die jeweiligen Serienprozesse aufgezeichnet werden, wodurch die TCM-Modelle nicht ohne Weiteres auf andere Werkstückprogramme oder Werkstoffe übertragbar sind. Für neue Serienprozesse resultieren daraus lange Vorlaufzeiten ohne Überwachung [4]. Das Zusammenführen von Daten verschiedener Unternehmen mit ähnlichen Werkzeugmaschinen und Prozessen kann eine ausreichende Grundlage für das Training generalisierbarer TCM-Modelle schaffen, welche prozessübergreifend einsetzbar sind. Die Unternehmen reduzieren hierdurch den eigenen Aufwand und profitieren von generalisierbaren und schnell verfügbaren TCM-Modellen. Die für das TCM-Modell erfassten Daten enthalten jedoch sensitive Informationen, die durch das Teilen mit anderen Unternehmen ungewollt offengelegt werden könnten, wodurch das jeweilige Unternehmen Wettbewerbsnachteile erleiden könnte [5]. Beispielsweise wurden in einem Fräsprozess verschiedene Geometrien gefräst und dabei die Vorschubgeschwindigkeiten (Bild 1a) mit einer Abtastrate von 2 Hz aufgezeichnet. Durch die zeitliche Integration der Vorschubgeschwindigkeiten konnte der Verlauf der Werkzeugposition teilweise rekonstruiert werden (Bild 1b), wodurch potenziell Teile der gefertigten Werkstückgeometrie bestimmt werden könnten.

Bild 1

Rekonstruktion der Werkstückgeometrie durch die Integration der Vorschubgeschwindigkeiten: a) Vorschubgeschwindigkeiten der X-Achse (durchgezogene Linie) und der Y-Achse (gestrichelte Linie), b) Wahrer Verlauf (Kreise) und rekonstruierter Verlauf (Linien) der Werkzeugposition

Durch geeignete Technologien können diese Daten dennoch geschützt werden, um das Risiko der Offenlegung zu reduzieren. Für den Schutz personenbezogener Daten werden Technologien zum Schutz der Privatsphäre (engl.: privacy-enhancing technologies) eingesetzt. Anhand der geschützten Daten können beispielsweise für TCM-Modelle Erkenntnisse gewonnen werden, ohne dass ein Zugriff auf die Originaldaten notwendig ist [6]. In diesem Beitrag werden diese Technologien als vertrauensschützende Technologien (engl.: confidentiality-protecting technologies, CPTs) bezeichnet, um deren Anwendung auf produktionsrelevante und nicht auf personenbezogene Daten zu verdeutlichen. Die Anwendung von CPTs ermöglicht es Unternehmen, die Hoheit über ihre Daten zu bewahren und je nach Bedarf geeignete Schutzmaßnahmen zu ergreifen, um die Offenlegung sensitiver Informationen zu verhindern [7].

Konzeptvorstellung

Im Rahmen des Forschungsprojekts MINERVA (Laufzeit: 05/2023 – 04/2026) wird durch die Verbundpartner Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC, Hufschmied Zerspanungssysteme GmbH, Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb) der Technischen Universität München und Siemens AG eine sichere, transparente und damit vertrauensschaffende Dateninfrastruktur entwickelt. Diese Dateninfrastruktur ermöglicht es Unternehmen, ihre maschinenbezogenen Daten freizugeben, ohne dabei sensitive Informationen offenzulegen. Das angestrebte Gesamtsystem für das kollaborative Training von TCM-Modellen ist in Bild 2 dargestellt. Werkzeugmaschinendaten werden mithilfe eines Edge-Geräts aufgezeichnet und in einer internen Datenbank gespeichert. Die sensitiven Informationen in den Werkzeugmaschinendaten werden durch CPTs geschützt. Anschließend werden die geschützten Daten mehrerer Unternehmen in die Cloud hochgeladen. Die aggregierten Daten werden zum Training eines generalisierbaren TCM-Modells genutzt. Das trainierte TCM-Modell wird anschließend an die Edge-Geräte übermittelt und die aufgezeichneten Werkzeugmaschinendaten können zur Werkzeugverschleißvorhersage verwendet werden. Zur Umsetzung des Gesamtsystems werden die folgenden drei Aspekte behandelt: Erstens wird ein TCM-Modell entwickelt, welches unternehmensübergreifend einsetzbar ist. Zweitens werden geeignete CPTs ausgewählt und implementiert, die den Schutz der sensitiven Werkzeugmaschinendaten gewährleisten. Drittens wird eine Edge- und Cloud-Infrastruktur aufgebaut, welche die Kommunikation mit der Werkzeugmaschine beziehungsweise das zentrale TCM-Modell-Training ermöglicht.

Bild 2

Dateninfrastruktur für das kollaborative Training von TCM-Modellen, dargestellt für die drei Fertigungssysteme der Projektpartner

Durch die unternehmensübergreifende Kollaboration werden spezifische Anforderungen an das TCM-Modell gestellt. Das TCM-Modell muss zum einen für verschiedene Werkzeugmaschinen und Werkzeuge einsetzbar sein und variierende Prozessparameter berücksichtigen. Zum anderen muss das TCM-Modell den Werkzeugverschleiß quantitativ bestimmen können. Entgegen einer Klassifizierung zwischen „in Ordnung“ und „nicht in Ordnung“ ermöglicht dies, dass jedes Unternehmen einen individuellen Schwellwert für den zulässigen Werkzeugverschleiß festlegen kann. Die vorgeschlagene Architektur des TCM-Modells ist in Bild 3 dargestellt. In dem Schritt der Datenvorverarbeitung werden aus den Eingangsdaten Werte im Zeit- und im Frequenzbereich berechnet. Aus diesen werden weitere Werte abgeleitet, die die Generalisierbarkeit des TCM-Modells unterstützen, beispielsweise das Zeitspanvolumen und die Zahneingriffsfrequenz. Diese Werte fließen dann in das TCM-Modell ein. Hierbei werden Muster mithilfe eines gefalteten neuronalen Netzes (engl.: convolutional neural network) aus den Daten extrahiert. Danach werden zeitliche Abhängigkeiten in den Daten mithilfe eines langen Kurzzeitgedächtnis-Netzes (engl.: long short-term memory network) erkannt und es wird der zeitliche Verlauf des Verschleißes vorhergesagt. Anhand dessen können gegebenenfalls prädiktive Instandhaltungsmaßnahmen durchgeführt werden.

Bild 3

Architektur des TCM-Modells

Zum Schutz der sensitiven Eingangsdaten werden im Projekt geeignete CPTs untersucht, die eine wie in Bild 1 dargestellte Rekonstruktion und auch die Offenlegung weiterer sensitiver Informationen, beispielsweise von Fertigungsstrategien, verhindern. Die CPTs werden im Gesamtsystem eingesetzt, bevor die Daten an die Cloud-Infrastruktur übertragen werden (Bild 2). Die untersuchten CPTs umfassen unter anderem die Methode der differenziellen Privatsphäre (engl.: differential privacy) und der synthetischen Daten, die homomorphe Verschlüsselung, das föderierte Lernen (engl.: federated learning) sowie anonyme Identitäts- und Signaturtechnologien. Bei der Anwendung von Differential Privacy wird den Daten ein additives Rauschen hinzugefügt. Hierbei bleiben statistische Werte erhalten, während einzelne Datenpunkte geschützt werden, und zudem ist die Stärke des Schutzes mathematisch quantifizierbar [8]. Die homomorphe Verschlüsselung ermöglicht hingegen das Ausführen von Berechnungen auf den hiermit verschlüsselten Daten. Entgegen anderen Verschlüsselungsverfahren müssen die Daten vor dem TCM-Modelltraining somit nicht entschlüsselt werden. Jedoch ist für die Verschlüsselung ein sehr hoher Rechenaufwand seitens der Unternehmen erforderlich und die unternehmensübergreifende Anwendung der homomorphen Verschlüsselung wurde bisher kaum erprobt. Beim Federated Learning kann im Vergleich zu den vorherigen Verfahren gänzlich auf das Zusammenführen von Daten verzichtet werden. Hierbei werden TCM-Modelle innerhalb des Unternehmens mit den lokalen Daten trainiert und nur die Modellanpassungen an die Cloud-Infrastruktur gesendet, welche die Anpassungen kombiniert. Dennoch existieren verschiedene Angriffsmöglichkeiten auf die resultierenden Modelle, sodass Federated Learning keine alleinige Lösung ist. Die bisher eingeführten Verfahren ermöglichen einen Schutz der Daten, jedoch kann auch die Identität teilnehmender Unternehmen durch anonyme Identitäts- und Signaturtechnologien geschützt werden. Die Entkopplung der Daten von dem teilenden Unternehmen mittels anonymer Identitätstechnologien stellt dabei eine zusätzliche Schutzebene dar. Von den eingeführten CPTs ist Federated Learning bisher die einzige CPT, deren Einfluss auf das Training von TCM-Modellen untersucht wurde [9]. Die mittels Federated Learning trainierten TCM-Modelle erreichten eine ähnliche Genauigkeit wie mit ungeschützt aggregierten Daten trainierte TCM-Modelle. Jedoch wurden nur Daten von einer einzigen Werkzeugmaschine verwendet, wodurch die Übertragbarkeit auf den unternehmensübergreifenden Anwendungsfall eingeschränkt ist. Deswegen werden die eingeführten CPTs mit dem TCM-Modell kombiniert und geeignete CPTs anhand der erreichbaren TCM-Modellgenauigkeit ausgewählt. Die ausgewählten CPTs werden dann in den Edge-Geräten implementiert, welche die Schnittstelle zwischen Werkzeugmaschinen und der Cloud-Infrastruktur darstellen. Als Edge-Gerättyp wird die Industrial Edge for Machine Tools der Siemens AG verwendet. Mithilfe dieser können Werkzeugmaschinendaten mit einer Abtastrate von bis zu 500 Hz und externe Sensordaten erfasst werden. Die Daten werden mithilfe der CPTs geschützt und in die Datenbank des Siemens Insights Hub hochgeladen. Dies ist eine Cloud-Infrastruktur, in welcher die Verwaltung der Edge-Geräte, die Entwicklung von Applikationen für die Edge-Geräte und das Anbieten von Services, wie der Datenbank, möglich ist. Für die Anbindung an den Insights Hub werden die in Bild 2 dargestellten Szenarien unterschiedlicher Zugriffsmöglichkeiten zwischen den Edge-Geräten, Unternehmensservern sowie Standorten und dem Insights Hub in den Fertigungssystemen der Projektpartner entsprechend implementiert. Im Insights Hub erfolgt zudem eine Überprüfung der durch die Unternehmen bereitgestellten Daten, um das unbeabsichtigte oder beabsichtigte Einbringen verfälschter Daten zu verhindern. Neu hinzugefügte Daten werden automatisiert mit der statistischen Verteilung vorhandener, verifizierter Daten verglichen, um Ausreißer in den Daten zu identifizieren. Erkannte Ausreißer können dann manuell begutachtet und gegebenenfalls entfernt werden. Die Umsetzbarkeit dieses Verifizierungsschritts hängt jedoch von der genutzten CPT ab und ist beispielsweise bei homomorpher Verschlüsselung oder Federated Learning nicht ohne Einschränkungen einsetzbar. Während des kontinuierlichen TCM-Modelltrainings wird zudem die Modellperformanz überwacht, um unerwartete Verschlechterungen erkennen zu können.

Im Falle einer erkannten Verschlechterung können die hierfür verantwortlichen Trainingsdaten identifiziert und gegebenenfalls untersucht werden. Wurden von demselben Unternehmen wiederholt verfälschte Daten eingebracht und diese erkannt, kann das Unternehmen für das Bereitstellen weiterer Daten gesperrt werden. Falls die Identität des Unternehmens durch den Einsatz von anonymen Identitäts- und Signaturtechnologien geschützt wird, kann diese dennoch mithilfe von Gruppensignaturen offengelegt werden, sofern eine zuvor festgelegte Anzahl weiterer teilnehmender Unternehmen dies fordert. Das trainierte TCM-Modell wird vom Insights Hub wieder an die Edge-Geräte gesendet, welche den Werkzeugverschleiß an die Werkzeugmaschine übermitteln oder dem Anlagenpersonal über eine Nutzeroberfläche melden. Durch die Nutzeroberfläche kann das Anlagenpersonal die mit dem Insights Hub zu teilenden Daten festlegen, bereits geteilte Daten wieder löschen und die Stärke des Datenschutzes der CPTs anpassen. Hierdurch wird die Hoheit des Unternehmens über die eigenen Daten sichergestellt.

Zusammenfassung und Ausblick

Das unternehmensübergreifende Training generalisierbarer Werkzeugzustandsüberwachungs-Modelle erfordert den Einsatz zusätzlicher Schutzmaßnahmen, um die ungewollte und unbewusste Offenlegung vertraulicher Informationen der Unternehmen zu verhindern. Im Rahmen des Forschungsprojekts MINERVA werden geeignete Schutzmaßnahmen, sogenannte Confidentiality-Protecting Technologies, ausgewählt, zur Anwendung für Werkzeugmaschinendaten weiterentwickelt und für den unternehmensübergreifenden Einsatz mit angepassten Werkzeugzustandsüberwachungs-Modellen kombiniert. Das Gesamtsystem wird in Edge-Geräte und eine Cloud-Infrastruktur integriert. Abschließend wird das Gesamtsystem in einem Langzeitversuch in den Fertigungssystemen der Projektpartner evaluiert. Die Erkenntnisse aus dem Forschungsprojekt fördern den weitläufigen Einsatz von Werkzeugzustandsüberwachungs-Modellen und können zudem auf weitere Anwendungsfälle, wie Bauteilqualitätsvorhersagen und Prozessoptimierungen, übertragen werden.