Moderne automatisierte Produktionsanlagen zeichnen sich einerseits durch eine wachsende Komplexität und Vernetzung aus, andererseits durch eine zunehmende Dynamik bedingt durch häufigen Produktwechsel oder zufällige Störungen. Im laufenden Produktionsbetrieb stehen durch die zunehmende Automation der Anlagen und des Fertigungsablaufes zwar prinzipiell genügend Sensoren zur Verfügung, um Anlagenstörungen und negative Qualitätstrends umfassend und frühzeitig zu detektieren. Es mangelt jedoch an intelligenten lern- und onlinefähigen Data-Mining-Werkzeugen, die eine qualifizierte Analyse der Ursachen von Anlagenstörungen oder zunehmenden Qualitätsmängeln der gefertigten Produkte ermöglichen, auf deren Grundlage gezielte Abhilfemaßnahmen eingeleitet bzw. durch Adaption der verantwortlichen Anlagenparameter nachoptimiert werden kann. Am Fraunhofer-Institut IITB wurde ein auf Softwareagenten basiertes selbstlernendes Diagnosesystem für feldbusbasierte Automatisierungsanlagen entwickelt, das eine permanente und ganzheitliche Online-Diagnose sowohl auf Kommunikationsebene als auch auf physikalischer Prozessebene ermöglicht. Im Gegensatz zu konventionellen Diagnosekonzepten wird durch die Verwendung moderner Methoden des maschinellen Lernens eine störungsfreie Integration des Diagnose-Werkzeuges in den laufenden Anlagenbetrieb ermöglicht. Online-Diagnose mittels maschineller Lernverfahren Bei der Diagnose eines physikalisch unbekannten technischen Prozesses stellt sich jedoch des Öfteren ein Problem. In den zur Erstellung solcher datengetriebenen Modelle zugänglichen Datensätzen sind zwar prinzipiell alle Ein- und Ausgangsgrößen des physikalischen Prozesses vorhanden, jedoch erfordert die Zuordnung hinsichtlich Ein- bzw. Ausgangsgröße wiederum eine sehr detaillierte, aus der Anlagendokumentation abzuleitende, Kenntnis über den zugrundeliegenden Prozess. Die Aufarbeitung eines so genannten überwachten Lerndatensatzes zur Generierung datengetriebener Modelle erfordert in der Regel einen erheblichen Engineeringaufwand. Zu bevorzugen sind deshalb Verfahren des maschinellen Lernens, welche in der Lage sind, ohne a priori-Information unbekannte Zusammenhänge in Datensätzen zu entdecken. Bei dem entwickelten Konzept kommen deshalb die so genannten selbstorganisierenden Merkmalskarten (SOM) zum Einsatz. Dabei handelt es sich um ein spezielles neuronales Netz, welches geeignet ist, eine topologieerhaltende Abbildung eines hochdimensionalen Merkmalsraumes (Prozessgrößen) in einen Ausgaberaum niedrigerer Dimensionalität zu erzeugen. Diese, auch Kohonen-Karten genannten, Modelle des maschinellen Lernens sind in der Lage, unbekannte Strukturen in der zu analysierenden Datenbasis ohne a priori Informationen \’unüberwacht\‘ zu extrahieren (Strukturentdeckung), abzuspeichern und zu visualisieren. Die Grundbausteine der SOMs werden als Knoten bezeichnet, sie fungieren nicht als Verarbeitungseinheiten, die auf bestimmte Eingaben mit bestimmten Ausgaben reagieren, sondern übernehmen die Funktion von einfachen Speichern, deren Inhalt, gespeicherte Mustervektoren oder auch Prototypen genannt, ausgelesen und wieder neu geschrieben werden können. Durch das Nachbarschaftslernen wird erreicht, dass \’ähnliche\‘ Merkmalsvektoren in topographisch ähnliche Bereiche der Karte projiziert werden. Durch Einführung einer sogenannten UMatrix-Darstellung der selbstorganisierenden Karte ist es möglich, eine Klassifizierung bzw. ein Clustering des Merkmalsraumes vorzunehmen. Als Beispiel hierfür ist in Bild 3 eine solche UMatrix dargestellt. Die Täler in dieser UMatrix-Darstellung (blau) stellen Bereiche dar, in denen sich die gespeicherten Mustervektoren sehr \’stark\‘ ähneln, die farblich rot dargestellten Bereiche kennzeichnen einen Übergang von einem Merkmalraumcluster zum nächsten Cluster. Hinsichtlich der Diagnose und Monitoring einer Industrieanlage können die Täler in der UMatrix-Darstellung als stationäre Prozessphasen interpretiert werden, wobei diese durch so genannte transiente Prozessphasen separiert sind. Für die automatische Segmentierung der UMatrix können aus der Bildverarbeitung bekannte Verfahren, wie z.B. die Watershed-Transformation (Wasserscheidentransformation) angewendet werden. Klar ist, dass bei dieser datengestützten Vorgehensweise möglichst alle Betriebszustände der Anlage im Lerndatensatz erfasst werden sollten, um eine robuste Diagnosefunktionalität zu erzielen. Basierend auf einem solchen eingelernten datengetriebenen Anlagenmodell kann nun eine Online-Diagnose und Monitoring des Anlagenverhaltens vorgenommen werden. Im Gegensatz zur Ermittlung konventioneller analytischer Diagnosemodelle braucht während des einmaligen Einlernvorganges der Anlagenbetrieb nicht unterbrochen werden. Erprobung des entwickelten Diagnosekonzeptes Die am Fraunhofer IITB aufgebaute einfache Demonstrationsanlage (Bild 4) besteht aus zwei Behältern, zwischen denen zyklisch Flüssigkeit bei variierender Pumpenleistung und Ventilstellung umgepumpt wird. Aus dem in Bild 5 dargestellten zeitlichen Verlauf der aus dem Feldbusdatenstrom respektive den Feldbustelegrammen gewonnenen standardisierten Prozessdaten wird zunächst nur das typische zyklische sich wiederholende Verhalten des Prozesses sichtbar. Auf Basis dieser Trainingsdaten wurde ein datengetriebenes Modell der Anlage in Form einer selbstorganisierenden Karte in Form einer UMatrix identifiziert. Basierend auf dieser eintrainierten Merkmalkarte kann nun eine Online-Diagnose des Prozessverhaltens vorgenommen werden. Das charakteristische Verhalten des Online-Diagnosesystem im Fall verschiedener manipulierter Anlagenstörungen wird in Bild 6 veranschaulicht. Im Fehlerfall 1 wurde zur Störung des Prozessverhaltens die Entlüftung des Systems verringert, im Fehlerfall 2 hingegen der Durchflussquerschnitt verringert. Diese Eingriffe in das Prozessverhalten der Anlage zeigen sich deutlich im Verlauf des Quantisierungsfehlers der Karte. Neben dem Quantisierungsfehler ist zusätzlich die Abfolge der identifizierten Prozessphase aufgetragen. Deutlich zu erkennen ist die veränderte Prozessphasenabfolge im Fehlerfall 2. Zusammenfassung Das am Fraunhofer IITB entwickelte selbstlernende Diagnosesystem, das auf Methoden des maschinellen Lernens basiert, ermöglicht eine permanente ganzheitliche Diagnose und Monitoring einer beliebigen komplexen Industrieanlage. Es setzt im Gegensatz zu anderen konventionellen Diagnosewerkzeugen keine vertiefte a priori-Kenntnis der Anlagenfunktion voraus. Zudem lässt es sich ohne Unterbrechung des laufenden Anlagenbetriebes in Betrieb nehmen. Die Funktionalität und Leistungsfähigkeit des entwickelten Diagnosekonzeptes wurde u.a. an einer verfahrenstechnischen Demoanlage am Fraunhofer IITB validiert. Gegenwärtig wird das selbstlernende Diagnosekonzept auf eine Anlage der chemischen Industrie implementiert.
Fraunhofer-Institut für Optronik, Systemtechnik
