Home Detektion von Anomalien in automatisierten Schraubprozessen
Article
Licensed
Unlicensed Requires Authentication

Detektion von Anomalien in automatisierten Schraubprozessen

Erprobung von Autoencodern zum Erlernen des Normalzustandes von Drehmomentverläufen
  • Thomas Schlegl , Stefan Schlegl and Jochen Deuse
Published/Copyright: May 22, 2020
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 115 Issue 5

Kurzfassung

Die Anwendung maschineller Lernverfahren zur Detektion von Fehlern in automatisierten Verschraubungsprozessen der Motormontage wird durch deren oft unbekannte Fehlerbilder erschwert. In diesem Beitrag wird ein selbstlernendes Verfahren verwendet, um den Normalzustand des Schraubprozesses zu erlernen und Anomalien zu erkennen. Es wird zudem ein Ansatz zur Verbesserung der Sensitivität vorgestellt. Die Erprobung anhand produktiver Daten der Motormontage zeigt eine erhebliche Verbesserung der Fehlererkennung.

Abstract

Experimental investigation of autoencoders to learn the normal condition of torque curves. The application of machine learning methods for the detection of faults in automated engine assembly tightening processes is made difficult by the frequently unknown failure modes. In this contribution, a self-learning method is used to learn the normal condition of the tightening process with the goal of detecting anomalies. Additionally, an approach is presented to improve the sensitivity of the method. Experimental investigation on real-life data from an engine assembly plant shows substantial improvement in their correspondence with actual faults.

Dipl.-Ing. Thomas Schlegl, geb. 1993, studierte Maschinenwesen und Betriebswirtschaftslehre an der Technischen Universität München. Seit 2018 beschäftigt er sich mit der Analyse von Prozessdaten zur Verbesserung der Qualitätssicherung in der Motormontage der BMW GROUP.

Dipl.-Ing. Stefan Schlegl, geb. 1995, studierte Maschinenwesen an der Technischen Universität München. Seit 2020 ist er bei der BotCraft GmbH tätig und beschäftigt sich mit selbstlernenden Verfahren zur Echtzeitanalyse von akustischen Signalen.

Prof. Dr.-Ing. Jochen Deuse, geb. 1967, ist seit 2005 Leiter des Lehrstuhls für Arbeits- und Produktionssysteme (APS) und leitet seit 2012 das aus dem Lehrstuhl hervorgegangene Institut für Produktionssysteme (IPS) der Technischen Universität Dortmund. Er promovierte 1998 am Laboratorium für Werkzeugmaschinen und Betriebswirtschaftslehre (WZL) der RWTH Aachen. Anschließend war er in leitender Funktion für die Bosch-Gruppe im In- und Ausland tätig.

Literatur

Wiegand, H.; Kloos, K. H.; Thomala, W.: Schraubenverbindungen – Grundlagen, Berechnungen, Eigenschaften, Handhabung. Springer-Verlag, Berlin, Heidelberg198810.1007/978-3-662-09819-6Search in Google Scholar

Aronson, R. M. et al.: Data-Driven Classification of Screwdriving Operations. In: Proceedings of the 13th International Symposium on Experimental Robotics (ISER), 2017, S. 244–25310.1007/978-3-319-50115-4_22Search in Google Scholar

Chandola, V.; Banerjee, A.; Kumar, V.: Anomaly Detection: A Survey. ACM Computing Surveys41 (2009) 3, S. 15 : 1–15 : 58 10.1145/1541880.1541882Search in Google Scholar

Yan, J.; Meng, Y.; Lu, L.; Li, L.: Industrial Big Data in an Industry 4.0 Environment: Challenges, Schemes, and Applications for Predictive Maintenance. IEEE Access5 (2017), S. 23484–2349110.1109/ACCESS.2017.2765544Search in Google Scholar

Kriegel, H.; Kröger, P.; Zimek, A.: Clustering High-Dimensional Data: A Survey on Subspace Clustering, Pattern-Based Clustering, and Correlation Clustering. ACM Transactions on Knowledge Discovery from Data, 2009, S. 1–5810.1145/1497577.1497578Search in Google Scholar

Liu, H.; Ong, Y.; Shen, X.; Cai, J.: When Gaussian Process Meets Big Data: A Review of Scalable GPs. IEEE Transactions on Neural Networks and Learning Systems, 2018Search in Google Scholar

Bauer, C.O.: Handbuch der Verbindungstechnik. Carl Hanser Verlag, München1991Search in Google Scholar

Junker, G. H.: Mechanische Grundlagen moderner Steuerungsverfahren für Verschraubungsprozesse. VDI-Z: Zeitschrift für integrierte Produktion129 (1987) 9, S. 85–106Search in Google Scholar

Pfaff, H.; Thomala, W.: Streuung der Vorspannkraft beim Anziehen von Schraubenverbindungen. VDI-Z: Zeitschrift für integrierte Produktion124 (1982) 18, S. 76–84Search in Google Scholar

Baldi, P.: Autoencoders, Unsupervised Learning, and Deep Architectures. In: Proceedings of Machine Learning Research (PMLR) – ICML Workshop on Unsupervised and Transfer Learning, Vol. 27, 2012, S. 37–49Search in Google Scholar

Goodfellow, I.; Bengio, J.; Courville, A.: Deep Learning. MIT Press, 2017Search in Google Scholar

Park, D.; Hoshi, Y.; Kemp, C.: A Multimodal Anomaly Detector for Robot-Assisted Feeding Using an LSTM-Based Variational Autoencoder. IEEE Robot. Autom. Lett. (2018) 3, S. 1544–155110.1109/LRA.2018.2801475Search in Google Scholar

Lipton, Z. C.; Berkowitz, J.; Elkan, C.: A Critical Review of Recurrent Neural Networks for Sequence Learning. Computing Research Repository, 2015Search in Google Scholar

Liu, J. et al.: Anomaly Detection in Manufacturing Systems Using Structured Neural Networks. In: Proceedingsof the 13th World Congress on Intelligent Control and Automation (WCICA), Changsha, China, 2018, S. 175–18010.1109/WCICA.2018.8630692Search in Google Scholar

Strauss, P.; Schmitz, M.; Wöstmann, R.; Deuse, J.: Enabling of Predictive Maintenance in the Brownfield through Low-Cost Sensors, an IIoT-Architecture and Machine Learning. In: Proceedings of the IEEE International Conference on Big Data (Big Data), Seattle, USA, 2018, S. 1474–148310.1109/BigData.2018.8622076Search in Google Scholar
Online erschienen: 2020-05-22
Erschienen im Druck: 2020-05-28

© 2020, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
https://doi.org/10.3139/104.112276

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 18.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112276/html
Scroll to top button