Effzienzsteigerung durch intelligentes Datenmanagement

Transkript

1 Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger Das SCCH ist eine Initiative der Das SCCH befindet sich im

2 Überblick Prognose und Steuerung Analyse und Optimierung Datenmanagement Forschungsthemen: Knowledge Discovery Maschinelles Lernen Interpretierbare Modelle Sematically Enhanced Stream Data Mining Distributed Data Mining Sensor Netzwerke 2

3 Fragestellung Was ist der Grund für diese Ereignisse? 3

4 Maschinelles Lernen Daten Lernalgorithmus Modell 4

5 Interpretierbares Modell 5

6 Prozessoptimierung durch Wissensextraktion Interpretation des Modells Sehr bedeutsam für Sensor 1 ist das häufige Auftreten von SPS- Schrittnummer 214 in Kombination mit anderen führt zu neuem Wissen In der SPS-Steuerung waren bestimmte Bedienfälle / Bedienvorgänge nicht ausgeschlossen welches umgesetzt den Prozess optimiert SPS-Steuerung geändert, wodurch sich die Lebensdauer des Systems erhöht, da die Extremsituationen nicht mehr auftreten Prozessoptimierung durch Wissensextraktion 6

7 Modellbasierte Datenanalyse Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System 7

8 Stranggießen Problem: Clogging Bildung von Ablagerungen 8

9 Datenbasis Zu Analysieren / Optimieren: Vergießbarkeit Nicht direkt messbar Definition über die Stopfenposition Mögliche Einflussfaktoren (~150) Merkmale des Gießprozesses Art der Anlage, Verteiler, Gießleistung, Kokille Chemische Analyse Zu verschiedenen Zeitpunkten, Zusammensetzung, Einschlüsse Merkmale der Sekundärmetallurgie Behandlungsabfolgen, Behandlungsdauern, Ruhezeiten 9

10 Analyseumgebung Interpretierbarkeit wichtig Fuzzy-Logic, Entscheidungsbäume, Regelbasen Untersuchung von vielen Szenarien Überblick geben Stahlgruppen Anlagen Detailanalysen Einflüsse Modelle Verifizieren von Hypothesen 10

11 Projektkompetenzen voestalpine Stahl GmbH Analyse des Stranggussprozesses Integration von Expertenwissen visuelles Data Mining, Interpretation Böhler Edelstahl Qualitätsanalyse von Edelstahlprodukten unisoftware plus machine learning framework (mlf) Basis für viele Projekte im Bereich Prozessanalyse OÖGKK Data Mining im Gesundheitswesen Voith Paper, SCA Laakirchen Analyse und Optimierung Papierproduktion Analysetool PaperMiner AMS Engineering Wissensextraktion im Bereich der diskreten Fertigung Stillstandsanalyse, Fehlererkennung 11

12 Wissensbasierte Datenanalyse, 1 Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System Knowledge Engineering Repräsentation Ontologien (OWL, RDF, ) Reasoning Automatisches Ableiten von neuem Wissen Repräsentation der statistischen Hypothesen Logische Ansätze Description Logic, 12

13 Wissensbasierte Datenanalyse, 3 Modell / Struktur Maschinelles Lernen Interpretation, Bewertung Umsetzung Neues Wissen Sensordaten Expertenwissen Optimiertes System Knowledge Guided Data Mining Informations- und Strukturanalyse Kausalitätsanalysen, Plausibilitätsanalysen Technologien Fuzzy Logic Baysche Netzwerke Knowledge Discovery Kausalitätsanalysen, Plausibilitätsanalysen Technologien Automated Reasoning Ontology Population 13

14 Überblick Prognose und Steuerung Analyse und Optimierung Datenmanagement Forschungsthemen: Maschinelles Lernen Hochgenaue Modelle Sematically Enhanced Transfer Learning Reservoir Computing Stream Data Mining Computational Model Environment Sensor Netzwerke 14

15 Modellbasierte Steuerung Virtual Sensor Umsetzung Interpretation Bewertung Präzisere Maschinen Maschinelles Lernen + Modellbasierte Steuerung OrderDuration OrderNumber ProcessNumber Type ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCountTO StandstillCountTT StandstillCountTR EA PE QR _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/Porsche_Colorado_LL_MVLS Modell / Struktur Hintergrundwissen, (Prozessexpertise) Daten: -Produktion -Experimente 15

16 Vorhersage Systeme Umsetzung Interpretation Bewertung Optimale Entscheidungen Maschinelles Lernen + Vorhersagelogik OrderDuration OrderNumber ProcessNumber Type ShiftStart ShiftDuration TNB TW TB TO TT TR TN StandstillCountTO StandstillCountTT StandstillCountTR EA PE QR _T5_LL _T5_LL _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B6_Karmann _Audi_B _Audi_B _Audi_B _Audi_B _Audi_B _VW/Porsche_Colorado_LL_MVLS Model Prozessexpertise Historische Daten 16

17 Projektkompetenzen (Auswahl) TRUMPF Austria Entwicklung einer Steuerung zur Korrektur der Materialabhängigkeiten beim Blechbiegen Ziel: Erhöhung der Genauigkeit K-Projekt SoftNet (I + II) Fehlervorhersage in Softwaremodulen Mining Repositories K-Projekt PAC Process Analytic Chemestry Spektraldatenanalyse BlueSky Lokal optimierte Wettervorhersagen Anwendung Energiemeteorologie Verbund Vorhersage der Wassermengen Umstellung der Prognosemodelle basierend auf mlf 17

18 Vorhersage von defekten Softwaremodulen K-Projekt SoftNet 18

19 Ansatz zur Modellbildung 19

20 Ergebnisse für konkreten Fall 20

21 Transfer Learning Generalisierung von Modellen über viele (verwandte) Szenarien Ansatz: Transfer Learning Übertragen von gelernten Modellen auf neue Szenarien Nutzen von Daten verschiedener Szenarien Methoden Neuronale Netzwerke, Bayes Netzwerke, Boosting, Constraint Learning (inkludieren von Expertenwissen) 21

22 Kontakt Dr. Thomas Natschläger