Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)

Transkript

1 Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld

2 Agenda Abschlusspräsentation Einführung Zielsetzung Ergebnisse Resümee und Ausblick it s OWL Clustermanagement GmbH

3 Einführung Vorstellung des Transfernehmers Resolto Informatik GmbH, Herford 25 Mitarbeiter, gegründet 2003, Geschäftsführende Gesellschafterin: Tanja Krüger Advanced Analytics und Softwarelösungen im industriellen Umfeld Partner, z.b.: Copa-Data, Atos, Microsoft,... Kunden in Branchen wie Automatisierung, Energie, Maschinenbau,... Forschungskooperationen im Bereich Data Science & Industrie 4.0 Partner, z.b. Fraunhofer IOSB-INA, Hochschule OWL init,... Analytics-Lösung: Prognos Plattform für Advanced Analytics durch lernende Algorithmen Datenübertragung & -aggregation (auch eigener Client) visuelle Zustandsüberwachung in Dashboard Predictive Maintenance & Handlungsempfehlungen it s OWL Clustermanagement GmbH

4 Einführung Vorstellung des Transfergebers Prof. Barbara Hammer AG Theoretische Informatik kognitiver Systeme (TCS) seit 2010 im CITEC, 9 Doktoranden theoretische Forschung zu lernenden Algorithmen zur Vielseitigkeit von Lernverfahren Dimensionsreduktion = Finde eine einfachere Darstellung komplexer Daten. Ähnlichkeitsbasiertes Lernen = Nutze relative Bezüge zwischen Daten. Approximationstechniken = Schließe von einem Teil der Daten auf die Gesamtheit. zur Interpretierbarkeit von Lernverfahren Relevanzlernen = Finde die wichtigen Aspekte, welche die Daten separieren. Klassifikator-Visualisierung = Veranschauliche, wie ein Modell die Daten trennt. Anwendungsprojekte, z.b.: Intelligente Tutorensysteme, Bioinformatik, Medizintechnik, Fahrzeugtechnik,... it s OWL Clustermanagement GmbH

5 Einführung Motivation / Ausgangssituation für das Transferprojekt Daten Lernen Digitales Modell Entscheidungen Live-Daten Anomalie? Betreiber Resolto Datenbank Resolto & CITEC TCS Vorverarbeitung Lernverfahren zur Anomalie-Detektion Evaluation Resolto it s OWL Clustermanagement GmbH

6 Agenda Abschlusspräsentation Einführung Zielsetzung Ergebnisse Resümee und Ausblick it s OWL Clustermanagement GmbH

7 Zielsetzung SO-Pro Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen Zielsetzung Prognose von Fehlzuständen anhand von Sensordaten ohne explizite Modellierung von Vorwissen......über mögliche Fehlertypen...über die Physik der Anlage bzw. Sensorik generisch für verschiedene Anlagendaten einsetzbar Evaluation von Methoden des maschinellen Lernens auf hochdimensionalen, heterogenen Signalen einfache Parametrisierung, z.b. Vorhersagehorizont Möglichkeit zum Online-Lernen im laufenden Betrieb Möglichkeit zur Integration in Analytics Portfolio Herausforderungen unbalanciert: OK vs. Fehler Domänen-agnostisch externe Einflüsse/Noise Performance it s OWL Clustermanagement GmbH

8 Vorgehensweise historische Daten Benchmark-Datensätze Eigenschaften DB mit Aufzeichnungen über ~1 Jahr 51 Signale, 1Hz Fehlerstatus-Flag (selten: ~1 am Tag) heterogene Signale Vorverarbeitung Subsampling, Zeitskala Normalisierung Neu: Differenzielle Features Feature Selection Dimensionsreduktion Fehler-Oversampling Fehlerklassifikation Training: Zeitpunkt & Fehlerflag Liegt jetzt ein Fehler vor? (j/n) ML Klassifikationsverfahren: LVQ (Learning Vector Quantization) SVM (Support Vector Machines) ESN (Echo State Networks) Fehlerprognose Training: Zeitpunkt t & t+h Welche Werte folgen in h? ML Prognoseverfahren: AR* (Autoregressive Models) NN (Neural Networks) ESN (Echo State Networks) it s OWL Clustermanagement GmbH

9 Agenda Abschlusspräsentation Einführung Zielsetzung Ergebnisse Resümee und Ausblick it s OWL Clustermanagement GmbH

10 Ergebnisse konzeptuelle Ergebnisse generische Verfahrens-Pipeline für Anomalie-Prognose Domänen-agnostisch, geeignet für Online-Lernen nutzt Wissen über Anomalie-Vorkommen (überwacht) empirischer Vergleich von ML-Verfahren Dynamik der Signale ist entscheidend nichtlineare Dimensionsreduktion eingeschränkt möglich Feature-Selection mit Greedy-Heuristik minimaler Satz von Sensoren für Fehlererkennung relevant für Interpretierbarkeit & Performance Prognose der Sensoren-Messwerte möglich it s OWL Clustermanagement GmbH

11 Ergebnisse empirische Ergebnisse Evaluation von Klassifikatoren zur Fehler-Erkennung Prognose: 1h in die Zukunft über 3 Tage Oversampling um Fehler zu vervielfältigen Delta-Features bilden zeitliche Dynamik explizit ab Echo State Networks am besten tiefe rekurrente Struktur, zeitliche Dynamik wird in Reservoir auf verschiedenen Skalen erfasst Feature-Selection erreicht kleinen Satz von 5 Sensoren Fehler-Prognose über 3 Tage Prognose der Sensoren-Messwerte & Klassifikation nur selektierte Features ESN am besten Prognose-Horizont explizit kontrollierbar Horizont von mehreren Stunden möglich it s OWL Clustermanagement GmbH

12 Ergebnisse übergeordnete Ergebnisse Proof-of-Concept Umsetzung von Anomalie-Detektion in Apache Spark: Spark ist ein Framework für Cluster Computing Cloud ermöglicht parallelisierte Berechnungen in der Cloud Hosting auf Cloud-Anbietern wie z.b. Microsoft Azure Masterarbeit von Thomas Pajenkamp: Zeitreihenprognose für die automatisierte Zustandsüberwachung it s OWL Clustermanagement GmbH

13 Agenda Abschlusspräsentation Einführung Zielsetzung Ergebnisse Resümee und Ausblick it s OWL Clustermanagement GmbH

14 Resümee und Ausblick Resümee algorithmischer Ansatz zur Anomalie-Prognose: gegensätzlich zum Lernen des Normalzustands Zeitreihenvorhersage + überwachtes Lernen Evaluation von verschiedenen ML-Verfahren äußere Einflüsse schwierig für agnostischen Ansatz verschiedene Zeitskalen der Fehlerentwicklung Ausblick Einbettung in Resolto Analytics Portfolio Übertragung auf andere Domänen Klassifikation von verschiedenen Anomalietypen it s OWL Clustermanagement GmbH

15 Vielen Dank für Ihre Aufmerksamkeit!