Data Mining zur Prozessoptimierung

Transkript

1 Data Mining zur Prozessoptimierung Dr. Michael Heizmann Dipl.-Ing. Christian Kühnert Dr. Thomas Bernard VDI-Fachtagung Prüfprozessmanagement im Fahrzeug- und Maschinenbau 2012 Leonberg, Datengrab oder Goldgrube Steigerung der Prozess-Effizienz und Produktqualität mit Data- Mining-Methoden Data Mining: aus einem Datenberg etwas Wertvolles extrahieren 2 Fraunhofer IOSB 10/2012 1

2 Überblick Motivation: Wozu Data Mining im Produktionsumfeld? Lösungskonzept: Merkmalsgewinnung Merkmalsselektion Erstellung eines datengetriebenen Prozessmodells Anwendungsbeispiel: Optimierung der Anfahrphase eines Batchprozesses Weitere Anwendungsmöglichkeiten 3 Fraunhofer IOSB 10/2012 Motivation: Wozu Data Mining im Produktionsumfeld? Zunahme des Automatisierungsgrads und der Komplexität von Produktionsprozessen Dadurch für den Anlagenfahrer nur noch schwer überschaubare Prozesse Optimierung auch bei instationären Prozessphasen erforderlich Bisher meist Prozessüberwachung und -optimierung auf Grundlage physikalischer Modelle und Expertenwissen: Nicht immer mit hinreichender Güte möglich (z.b. bei nichtlinearen Prozessen oder Materialeigenschaften, zeitvariantem Systemverhalten) Zeitaufwendig und kostenintensiv 4 Fraunhofer IOSB 10/2012 2

3 Motivation: Wozu Data Mining im Produktionsumfeld? Zunahme der Verfügbarkeit von Produkt- und Prozessdaten (aufgrund des zunehmenden Automatisierungsgrades) Sensor-, Qualitäts- und Anlagendaten müssten eigentlich die interessierenden Informationen über den Prozess enthalten Sichtung und Interpretation der Daten durch den Menschen allerdings nur bei einfachen Zusammenhängen zuverlässig möglich Erfahrung am IOSB: Gesammelte Daten werden im Produktionsumfeld nicht systematisch ausgewertet und zur Prozess- und Produktoptimierung genutzt momentan eher Datengrab statt Goldgrube 5 Fraunhofer IOSB 10/2012 Data Mining im Produktionsumfeld... kann unterstützen bei: Prozessführung und -optimierung Prozessüberwachung, Condition Monitoring Qualitätsüberwachung und -management Analyse von Key Performance Indices (KPIs) Versuchsplanung Produktdesign Produktionsplanung und Fertigungssteuerung Stammdatenmanagement Instandhaltungsmanagement Variantenmanagement... 6 Fraunhofer IOSB 10/2012 3

4 Grundgedanken Zusammenhang zwischen Prozessgrößen (z.b. Stell-, Regel-, Messgrößen, Materialparameter, Konfigurationen) und Produkteigenschaften bzw. Prozessgüte ist in den verfügbaren Daten enthalten Aufgabe des Data Mining: Einflüsse von Prozessparametern auf Produkteigenschaften erkennen und modellieren Ziel (Bsp. verfahrenstechnische Batch-Prozesse): Optimierung in Anfahrphase und bei Lastwechsel, Unterdrückung von Störeinflüssen Zusammenhang? Prozess-Parameter Maschinenparameter Regelungsparameter Rezepte... Produktionsprozess Produkt-Eigenschaften Qualität Kosten Ressourcenverbrauch... 7 Fraunhofer IOSB 10/2012 Data Mining in der Automatisierungstechnik State of the art: Umfassende Sensorik Anlagenüberwachung Regelungstechnik Analytische Modelle Data Mining dagegen bisher nur schwach verbreitet Fraunhofer-Projekt ProDaMi Data Mining im Produktionsumfeld: Methoden: Datenvorverarbeitung, Merkmalsgewinnung, Klassifikation, Visualisierung ProDaMi DaMi Flexible Software-Module zu Sensordatengewinnung und -vorverarbeitung, Merkmalsgewinnung, Klassifikation, Modellgenerierung, Condition Monitoring Einsatzszenarien: Stückgutprozesse, verfahrenstechnische Prozesse, Anlagen für unterschiedliche Aufgaben (z.b. Windenergieanlagen) 8 Fraunhofer IOSB 10/2012 4

5 Workflow im Data Mining Fayyad 1996: Knowledge Discovery in Databases Integration von Expertenwissen Integration von physikalischem Wissen 9 Fraunhofer IOSB 10/2012 Data-Mining-Ansatz zur Prozessoptimierung Grundlage: archivierte Prozessgrößen (Zeitreihen) und Güteindizes für den Prozess Güteindizes: Bewertungsmaße für Produktqualität und -quantität, Ausschussrate, Material- und Rohstoffverbrauch, Kosten etc. Vorverarbeitung der Prozessdaten und Merkmalserzeugung Selektion relevanter (informationstragender) : Reduktion der Datenmenge durch Beschränkung auf signifikante Details Generierung eines Prozessmodells: Zusammenhang zwischen relevanten n und Güteindizes Verwendung des Modells zur Optimierung der relevanten und damit der Prozessgrößen Optimierung offline und online Vorverarbeitung und Merkmalsextraktion Merkmalsranking Datengetriebenes Modell Optimierung der Güteindizes Prozessdaten, Zeitreihen Merkmalspool relevante Güteindizes optimale Merkmalswerte 10 Fraunhofer IOSB 10/2012 5

6 Lösungskonzept Einlernphase: Generierung datengetriebener Modelle aus historischen Prozessdaten Mehrere Modelle für instationäre Prozesse (z.b. An-/Abfahren, Dauerbetrieb, Phasen in einem Batchprozess, Zeitpunkte im Prozessablauf) Nutzung dieser offline generierten Modelle zur Online-Prädiktion der Prozessgüte: Auswahl des passenden Modells (je nach Prozessphase) Verarbeitung der Prozessdaten zu n, Merkmalsreduktion Frühzeitige Erkennung von Prozessveränderungen oder einer drohenden Prozessverschlechterung: Online-Monitoring aktuelle Prozessgrößen Vorverarbeitung, Merkmalsextraktion, Selektion Modell 1 Modellselektion Modell 2 relevante Modell n Prognose der Güteindizes 11 Fraunhofer IOSB 10/2012 Merkmalsgewinnung (I) Ziel: Gewinnung möglichst niederdimensionaler informationstragender Zeitreihen: hochdimensional, daher schon aufgrund der Datenmenge nicht direkt zur Prozessoptimierung verwendbar Auswahl der so, dass Information über Prozess erhalten bleibt Verwendung von Vorwissen: Sicherstellung, dass relevante Information in den n enthalten ist Im Zweifelsfall eher Merkmal zu viel verwenden, Elimination redundanter Information erfolgt später (bei der Merkmalsselektion und Modellbildung) Merkmalsextraktion Vorverarbeitung Erzeugung zusätzlicher Daten Segmentierung Merkmalsberechnung Ausreißerunterdrückung Prozessdaten 12 Fraunhofer IOSB 10/2012 6

7 Merkmalsgewinnung (II) Vorverarbeitung: Entfernen von offensichtlich fehlerhaften Daten und Ausreißern, Resampling Erzeugung zusätzlicher Daten: Ableitungen, Kombinationen, Transformationen, Berücksichtigung bekannter physikalischer Zusammenhänge Segmentierung: zeitliche Gliederung, z.b. ausgehend von lokalen Extremwerten Merkmalsberechnung: z.b. Extremwerte, Ableitungen, Wertekombinationen, Eigenschaften im Frequenzbereich/Skalenraum usw. Ausreißerunterdrückung: Elimination unplausibler Werte Merkmalsextraktion Vorverarbeitung Erzeugung zusätzlicher Daten Segmentierung Merkmalsberechnung Ausreißerunterdrückung Prozessdaten 13 Fraunhofer IOSB 10/2012 Merkmalsselektion (I) Nach Merkmalsgewinnung: mehrere Standard- für die einzelnen Prozessgrößen Umfangreicher Merkmalsdatensatz mit redundanter Information Daher Vorselektion der vor der Modellerzeugung Abschätzung der Relevanz der durch informationstheoretische Maße: Kriterien zur Beurteilung von Wahrscheinlichkeitsverteilungen, hier verwendet zur Entscheidung, ob ein Merkmal zur Modellbildung verwendet werden soll Bewertung der Relevanz eines Merkmals und der Redundanz zwischen n: Transinformation zwischen Größen x 1 und x 2 : p x x I x ; x :, log p x1, x2 p x 1 2 D.h. je mehr die Größen x 1 und x 2 miteinander zusammenhängen, desto größer ist I(x 1 ;x 2 ) p x 14 Fraunhofer IOSB 10/2012 7

8 Merkmalsselektion (II) Daraus Relevanz des Merkmals m i bzgl. des Güteindex g j : Redundanz des Merkmals m i : i j I mi g j D m; g : ; max i i j R m : max I m ; m für alle i j min Selektion der relevanten durch Definition von Grenzen für minimale Relevanz und maximale Redundanz, ggf. Division oder Subtraktion von D und M 15 Fraunhofer IOSB 10/2012 Erstellung des Prozessmodells (I) Modellierung des Prozessverhaltens mittels Verfahren des maschinellen Lernens Verfahren zur Modellierung linearen und nichtlinearen Prozessverhaltens Beispiele für lineare Verfahren: Diskriminanz- oder Varianz-Analyse (zur Findung und Bewertung passender linearer Merkmalskombinationen) Reale Industrieprozesse: häufig nichtlinear (z.b. aufgrund Strahlung, Materialeigenschaften) oder zeitvariant (z.b. aufgrund Drift, bei Batchprozessen) Hier: Anwendung von Support Vector Machines (SVMs) zur Modellbildung und Merkmalsselektion: Modellierung auch nichtlinearer Prozesse mittels Kernelfunktionen Weitere Merkmalsreduktion während der Modellbildung: Herausgreifen einer Untermenge aus den verfügbaren n, die den Prozess möglichst vollständig, aber kompakt beschreibt Merkmalsreduktion erfolgt bei SVMs implizit bei der Modellerstellung 16 Fraunhofer IOSB 10/2012 8

9 Erstellung des Prozessmodells (II) Prozessdaten Hier: Modellerstellung mittels Support Vector Machines zur Regression (SVR) Ablauf: Initialisierung: Kernelfunktion: Gauß-Kernel Hyperparameter: eher unkritisch Merkmalsranking und -selektion mittels Leaveone-out-Fehler und rückwärtsgerichtetem Greedy-Algorithmus Modellerstellung Initialisierung Kernenfunktion Hyperparameter Optimierung Modellparameter Merkmalsranking Merkmalsselektion SVR-Modell und 17 Fraunhofer IOSB 10/2012 Erstellung des Prozessmodells (III) Optimierung der Modellparameter der SVR mit vollständigem Merkmalssatz Auslassen jeweils eines Merkmals und Bestimmung der Modellparameter der SVR Bestimmung des Anteils dieses Merkmals am Ergebnis der Optimierung Merkmalsranking: Sortierung der entsprechend ihrer Signifikanz Auswahl des optimalen Merkmalsraums Iterative Optimierung (bis Modellparameter und Merkmalsraum sich nicht mehr signifikant ändern) Zwar keine Garantie für Finden des globalen Optimums, aber bewährte Vorgehensweise mit praxistauglichen Ergebnissen Modellerstellung Initialisierung Kernenfunktion Hyperparameter Optimierung Modellparameter Merkmalsranking Prozessdaten Merkmalsselektion SVR-Modell und 18 Fraunhofer IOSB 10/2012 9

10 Anwendungsbeispiel: Glasziehprozess Fertigung von Quarzglasstäben bzw. -röhren Glas Vorprodukt für Lichtwellenleiter Hohe Qualitätsanforderungen Physikalisch motivierte Modelle: Modellbildung erschwert durch empirisch zu ermittelnde stark nichtlineare und variierende Materialeigenschaften, Zeitvarianz (z.b. durch Ablagerungen im Ofen) Modelle liegen vor, bieten aber keine ausreichende Genauigkeit, v.a. nicht in transienten Zuständen (Anfahren, Schweißstelle, Abfahren) Datenbasierte Prozessoptimierung Ofen 19 Fraunhofer IOSB 10/2012 Glasziehprozess: Optimierung der Anfahrphase Problem in Anfahrphase: Störungen durch Schweißstelle zwischen Gutmaterial und Ansatzstück, variierende Eigenschaften der Schweißstelle für jede Produktion Ziel: Optimale Temperaturführung Einfluss der Schweißstelle minimieren Schnelles Erreichen des Durchmesser-Sollwertes Glas Ofen Sollwert Schweißstelle gezogene Masse 20 Fraunhofer IOSB 10/

11 Glasziehprozess: Merkmalsgewinnung und -ranking Finden relevanter in Zeitreihen durch automatisiertes Merkmalsranking Beispiel: 21 Fraunhofer IOSB 10/2012 Glasziehprozess: Optimale Temperaturführung Relevante : Zeitliche Ableitung und Fluktuation der Rohrtemperatur in einem bestimmten Zeitintervall während der Anfahrphase (Austritt Schweißstelle aus dem Ofen) Gütekriterium Optimum Sollwert schneller erreicht 22 Fraunhofer IOSB 10/

12 Monitoring von kontinuierlichen Prozessen (I) Ziel: Sofortige Erkennung von Störungen bzw. Anomalien Operator sieht meist nur aktuelle Zeitverläufe Lernen von Normalzuständen bzw. Prozessphasen aus Messdaten 23 Fraunhofer IOSB 10/2012 Monitoring von kontinuierlichen Prozessen (II) Schnelle Erkennung von Störungen als Abweichungen vom Normalzustand Industrielle Anwendungen u.a. in der verfahrenstechnischen Industrie Prozessdatenverlauf Quantisierungsfehlerverlauf Ausfall einer Komponente Darstellung des Prozesszustands als Self-Organizing Map 24 Fraunhofer IOSB 10/

13 Monitoring der Qualität von Trinkwasser Ziel: Sichere Detektion toxischer Stoffe in Trinkwassernetzen bei geringer Falschalarmrate Anlernen des Normalzustands aus Messdaten Schnelle Erkennung von Anomalien Eingesetzt im Sensorsystem AquaBioTox 25 Fraunhofer IOSB 10/2012 Monitoring von Windkraftanlagen Ziel: Frühzeitige Erkennung von Getriebeschäden (sonst droht Totalausfall) Anlernen des Normalzustands aus Messdaten der Anlage 26 Fraunhofer IOSB 10/

14 Kennwerte-/Fehlerkorrelationen in Fertigungsprozessen Beispiel: Automobil-Produktion Kennwerte-Diagnose und -Prognose: Findung der Ursachen für eine Veränderung der Güteindizes Vorhersage eines möglichen Kennwerteeinbruchs bei Variation von Eingangsgrößen Fehlerkorrelation: Ermittlung von Fehlerkombinationen und zeitlichen Relationen in komplexen Montageprozessen 27 Fraunhofer IOSB 10/2012 Zusammenfassung Erstellung und Anwendung von datengetriebenen Modellen für die Prozessoptimierung und -überwachung Nutzung von Prozessdaten, die oft bereits für die Überwachung und Dokumentation erhoben werden Hohes Potenzial besonders bei Prozessen, deren physikalische Modellierung schwierig ist Sorgfalt erforderlich bei Datengewinnung Merkmalsextraktion Modellerstellung Aktuelle Forschung: Erlernen kausaler Zusammenhänge aus Messdaten Vielen Dank für Ihr Interesse! 28 Fraunhofer IOSB 10/

15 Generierung und Aktualisierung von Fertigungsstammdaten Fertigungsstammdaten beschreiben Eigenschaften und Abhängigkeiten von Maschinen, Materialien, Personal, Werkzeugen, Produkten, Prozessen Sind in der Praxis oftmals fehlerhaft Planung und Optimierung erschwert Ziel: Generierung und Aktualisierung von Fertigungsstammdaten aus Produktionsdaten Beispiel: Platinenbestückung 29 Fraunhofer IOSB 10/