Data Mining im Produktionsumfeld Dr. Thomas Bernard Fraunhofer-Symposium Netzwert 2011 München, 28./29.11.2011
Datengrab oder Goldgrube: Steigerung der Prozess-Effizienz und Produktqualität mit Data-Mining-Methoden 2 Fraunhofer IOSB 11/2011
Data Mining im Produktionsumfeld 1. Wozu Data-Mining im Produktionsumfeld? 2. ProDaMi-Suite: Flexible Data-Mining-Plattform 3. Anwendung der ProDaMi-Suite 4. Künftige Anwendungen 5. Zusammenfassung 3 Fraunhofer IOSB 11/2011
1. Wozu Data Mining im Produktionsumfeld? Problem: Stetige Zunahme der Komplexität von Produktionsprozessen Prozessüberwachung und Optimierung auf Grundlage physikalischer Modelle oftmals zeitaufwendig und kostenintensiv Sensor-, Qualitäts-, Anlagendaten bisher nur unzureichend genutzt Data Mining könnte wertvollen Beitrag leisten aber: Data Mining im Produktionsumfeld bisher nicht etabliert [Data Mining: aus einem Datenberg etwas Wertvolles extrahieren] 4 Fraunhofer IOSB 11/2011
Data Mining im Produktionsumfeld... kann unterstützen bei: Prozessführung, Prozessoptimierung Prozessüberwachung, Condition Monitoring Qualitätsüberwachung, Qualitätsmanagement Analyse von Key Performance Indices (KPIs) Versuchsplanung Produktdesign Produktionsplanung und Fertigungssteuerung Stammdatenmanagement Instandhaltungsmanagement Variantenmanagement... 5 Fraunhofer IOSB 11/2011
Data Mining im Produktionsumfeld ProDaMi DaMi In prototypisch realisiert: Prozessführung, Prozessoptimierung Prozessüberwachung, Condition Monitoring Qualitätsüberwachung, Qualitätsmanagement Analyse von Key Performance Indices (KPIs) Versuchsplanung Produktdesign Produktionsplanung und Fertigungssteuerung Stammdatenmanagement Instandhaltungsmanagement Variantenmanagement... 6 Fraunhofer IOSB 11/2011
Beispiel: Optimierung verfahrenstechnischer Prozesse Typische Probleme bei verfahrenstechnischen Batch-Prozessen: Optimierung der Anfahrphase; Lastwechsel; Unterdrückung von Störeinflüssen Physikalische Modellierung oft nur qualitativ möglich Gesucht: Einfluss von Prozessparametern auf Produkteigenschaften Zusammenhang? Prozess-Parameter - Maschinenparameter - Regelungsparameter - Rezepte -... Produktions- Prozess Produkt- Eigenschaften -Qualität -Kosten - Ressourcenverbrauch -... 7 Fraunhofer IOSB 11/2011
Beispiel: Gießen von Motorblöcken Ziel: Ausschuss-Minimierung Temperaturen (Zeitverläufe)? Qualität, Ausschuss 8 Fraunhofer IOSB 11/2011
Beispiel: Glasziehprozess Ziel: Ausschuss-Minimierung Störungen in Endphase (Zeitverläufe) Abzugsgeschwindigkeit Durchmesser (soll konstant sein)? Qualität, Ausschuss Temperatur 1 Ziehkraft Temperatur 2 Temperatur 3 Ofentemperatur 9 Fraunhofer IOSB 11/2011
Beispiel: Monitoring von kontinuierlichen Prozessen Ziel: Sofortige Erkennung von Störungen / Anomalien Operator sieht meist nur aktuelle Zeitverläufe! Lernen von Normalzuständen bzw. Prozessphasen aus Messdaten Zeitverläufe von Sensoren / Aktoren bei einem verfahrenstechnischen Prozess 10 Fraunhofer IOSB 11/2011
2. ProDaMi-Suite: Flexible Data-Mining-Plattform Ziele des Projektes DaMi (WISA mit IOSB, ITWM, IPK, 2008 2010) ProDaMi ProDaMi-Suite: Modulares System von Data-Mining-Werkzeugen Generierung von entscheidungsfähigem Wissen für Überwachungs-, Planungs- und Optimierungsaufgaben in verschiedenen Produktionsbereichen Verfügbare Data-Mining-Werkzeuge sollen sich leicht einbinden lassen ProDaMi-Suite soll sich leicht in heterogene Daten- und Kommunikationsstruktur des Produktionsumfeldes integrieren lassen Prototypische Realisierung für typische Anwendungsklassen aus der Stückgutfertigung und der Prozessindustrie 11 Fraunhofer IOSB 11/2011
Data-Mining-Workflow im Produktionsumfeld Iterativer Prozess (Expertenwissen notwendig)! Physikalisches Wissen integrieren (z.b. über Soft-Sensoren) Fayyad 1996: Knowledge Discovery in Databases (KDD) 12 Fraunhofer IOSB 11/2011
Module der ProDaMi-Suite GUI GUI GUI ProDaMi/PPS Produktionsplanung und -steuerung ProDaMi/PFÜ Prozessführung und -überwachung... ProDaMi/XX weitere Module ProDaMi/ Interface Anbindung an online Systeme Datenimport Konfektionierung Parametrierung Methodenauswahl Ergebnisse Wissen von Daten... Muster... zu Wissen! Zieldaten --- --- --- --- --- --- --- --- --- Vorverarbeitete Daten ProDaMi/ Data Warehouse Transformierte Daten ProDaMi/ DM-Engine ProDaMi/ Assistent 13 Fraunhofer IOSB 11/2011
Data Mining-Verfahren in ProDaMi-Suite strukturbeschreibende Verfahren (überwachtes Lernen) (z.b. Varianzanalyse, Diskriminanzanalyse, Regression, Klassifikation) strukturentdeckende Verfahren (unüberwachtes Lernen) (z.b. Assoziationsanalyse, Clusterverfahren, Self Organizing Maps) Nutzung von Bibliotheken unter Matlab, Rapid Miner, Open Source sowie Integration eigener Entwicklungen 14 Fraunhofer IOSB 11/2011
Generierung kundenspezifischer Applikationen Ziel: Schnelle Generierung von Customer Data-Mining Applications auf kundenspezifischen Plattformen und GUIs PRODAMI-Kernfunktionen Spezifikation, Kundenanforderungen Data Warehouse Data Mining Assistent Anwendungsklassenspezifische Funktionen Data Warehouse Data Mining GUI C++ Java Matlab... ProDami- Applikation 15 Fraunhofer IOSB 11/2011
Nutzergruppen der ProDaMi-Suite 1. Wissenschaftler des Projektkonsortiums Bearbeitung von Industrieprojekten 2. Industriepartner Data-Mining-Experten Implementierung auf kundenspezfischer Plattform einfache GUIs ausreichend GUI - Anforderung 3. Industriepartner Data-Mining-Laien z. B. Prozessingenieure ohne vertieftes Data-Mining-Wissen ProDaMi-Suite soll komplett vorkonfektioniert sein Implementierung auf kundenspezfischer Plattform hochwertige und anwenderfreundliche GUI notwendig 16 Fraunhofer IOSB 11/2011
17 Fraunhofer IOSB 11/2011 3. Anwendung der ProDaMi-Suite
ProDaMi-Anwendungsklassen Bereich Prozessführung und überwachung für kontinuierliche (z.b. verfahrenstechnische) Prozesse Performance und Condition Monitoring Analyse und Optimierung Kennlinienbasierte Prognose und Prozessführung Bereich Produktionsplanung und -steuerung Kennwertekorrelationen in Fertigungsanlagen Generierung und Aktualisierung von Fertigungsstammdaten 18 Fraunhofer IOSB 11/2011
Anfahr-Optimierung eines Glasziehprozesses Problem in Anfahrphase: Störungen durch Schweissstelle zwischen Gutmaterial und Ansatzstück Ziel: Optimale Temperaturführung Einfluss der Schweissstelle minimieren schnelles Erreichen des Durchmesser-Sollwertes Glas Ofen Sollwert Schweisstelle Zeit 19 Fraunhofer IOSB 11/2011
Wissensgenerierung aus Zeitreihen Problem: Finden relevanter Merkmale in Zeitreihen Lösung: Automatisiertes Merkmalsranking Beispiel: 20 Fraunhofer IOSB 11/2011
Optimale Temperaturführungsmuster Ergebnis des Merkmalsranking Auswertung von 500 Produktionen Merkmal 1: Fluktuation Rohrtemperatur Merkmal 2: Gradient Rohrtemperatur (in Zeitintervall nach Austritt Schweisstelle aus dem Ofen) Gütekriterium Optimale Merkmalswerte Optimum Sollwert schneller erreicht 21 Fraunhofer IOSB 11/2011
Condition Monitoring bei kontinuierlichen Prozessen Lernen von Normal-Zuständen aus Messdaten schnelle Erkennung von Störungen Prozessdatenverlauf Komponentenausfall Quantisierungsfehlerverlauf Self-Organizing Map Industrielle Anwendung in chemischer Industrie 22 Fraunhofer IOSB 11/2011
Versuchsplanung - Design of Experiment (DoE) Kunststoffextruder Kunststoffplatten Produktionsprozess Von DoE bestimmte Prozessparameter Daten Expertenwissen Produkteigenschaften Maximale Güteerhöhung Modellwahl Automatische Versuchsplanung Vorgabe der Anzahl von Versuchen Aktuelles Modell Verbessertes Modell Umsetzung in Software-Modul Design 23 Fraunhofer IOSB 11/2011
Prozessführung bei Aquifergasspeicher Speicher wird durch ein Netz von ca. 500 im Boden verteilten Betriebssonden repräsentiert Wasseranfall bei Sonden ist kritisch, Sonden müssen rechtzeitig abgeschaltet werden Anlernen von kritischen Prozesszuständen aus Messdaten Generierung von Kennlinien Ausgabe von Warnungen an Operator 24 Fraunhofer IOSB 11/2011
Kennwerte- / Fehlerkorrelationen in Fertigungsprozessen Beispiel: Automobil-Produktion Kennwerte-Diagnose und Prognose: Ursachen für eine Veränderung Risiko eines Kennwerteeinbruchs Fehlerkorrelation: Ermittlung von Fehlerkombinationen und zeitlichen Relationen in komplexen Montageprozessen 25 Fraunhofer IOSB 11/2011
Generierung und Aktualisierung von Fertigungsstammdaten Fertigungsstammdaten beschreiben Eigenschaften / Abhängigkeiten von Maschinen, Materialien, Personal, Werkzeugen, Produkten, Prozessen Sind in der Praxis oftmals fehlerhaft Planung / Optimierung unmöglich! Ziel: Generierung / Aktualisierung von Fertigungsstammdaten aus Produktionsdaten Beispiel: Platinenbestückung 26 Fraunhofer IOSB 11/2011 26
27 Fraunhofer IOSB 11/2011 4. Künftige Anwendungen
Energie-Effizienzcontrolling für die Produktion BMWI-Projekt EnEffCo (Fraunhofer IPK, BMW, Brose, Witte, Ökotec, ENSYS) Quelle: Fraunhofer IPK, EnEffCo Projekt 28 Fraunhofer IOSB 11/2011
Analyse von Kommunikationssystemen Ziele: Erstellen Anforderungsprofil automatisierungstechnischer Kommunikationssysteme Leistungsanalyse, -prognose, -optimierung Kommunikations-Daten (Traces) Generierter Zustandsgraph der Kommunikationsprozesse "56057","34.384318390","PhoenixC_12:ef:51","Siemens_6c:03:73","PNIO", "RTC1, ID:0xc000, Len: 40, Cycle:16288 (Valid,Primary,Ok,Run) "56058","34.384792680","192.168.0.192","192.168.0.222","TCP", "3714 > 20547 [PSH, ACK] Seq=72027 Ack=695010 Win=65535 Len=10 "56059","34.384801240","PhoenixC_18:d4:23","PhoenixC_12:ef:51","PNIO", "RTC1, ID:0xc003, Len: 40, Cycle:11688 (Valid,Primary,Ok,Run) "56060","34.386306900","PhoenixC_12:ef:51","PhoenixC_07:47:b4","PNIO", "RTC1, ID:0xd000, Len: 515, Cycle:16352 (Valid,Primary,Ok,Run) 29 Fraunhofer IOSB 11/2011
Monitoring Trinkwasser-Qualität Lernfähiges Monitoringsystem zur Detektion toxischer Stoffe in Trinkwassernetzen Anlernen von Normalzustand aus Messdaten Schnelle Erkennung von Anomalien Eingesetzt im Sensorsystem AquaBioTox 30 Fraunhofer IOSB 11/2011 30
Monitoring von Windkraftanlagen (Getriebe) Frühzeitige Erkennung von Getriebeschäden unabdingbar (sonst droht Totalausfall) Anlernen von Normalzustand aus Messdaten Schnelle Erkennung von Anomalien Aktuell Durchführung von Pilot-Studie 31 Fraunhofer IOSB 11/2011
Modellierung komplexer biologischer Prozesse Ziel: Lernen von kausalen Strukturen aus Messdaten Modell basierend auf Expertenwissen Erlernte kausale Strukturen aus Messdaten kombinieren 32 Fraunhofer IOSB 11/2011
5. Zusammenfassung Modulares System von Data-Mining-Werkzeugen (ProDaMi-Suite) zur Generierung von entscheidungsfähigem Wissen im Produktionsumfeld Flexible Ausprägung der ProDaMi-Suite für unterschiedliche Nutzergruppen; Generierung kundenspezifischer Applikationen Anwendungsklassen / Demonstratoren aus den Bereichen Prozessführung und überwachung sowie Produktionsplanung und steuerung Hemmnis bei Industrieprojekten: Datenerhebung zunächst aufwändig; Erfolgsrisiko bei Projekten Aktuelle Forschung: Erlernen kausaler Zusammenhänge aus Messdaten ProDaMi www.prodami.de 33 Fraunhofer IOSB 11/2011