Data Mining in Sensordaten automatisierter Prozesse
Das Teilprojekt B3 ist ein Kooperationsprojekt zwischen dem Lehrstuhl 8 für Künstliche Intelligenz (LS8) und der Arbeitsgruppe „Virtual Machining“ des Lehrstuhl 14 für Software Engineering (LS14) der Fakultät für Informatik sowie dem Institut für Produktionssysteme (IPS) der Fakultät Maschinenbau und erforscht das Data Mining in Sensordaten zur Qualitätsprognose und Regelung von Produktionsprozessen unter Realzeitbedingungen. Um den Anforderungen an die Produktion gerecht zu werden, sollen in der dritten Phase Verfahren entwickelt werden, die sich online an Veränderungen der Prozessbedingungen anpassen können. Im Fokus stehen dabei sowohl die auf Modellvorhersagen basierende Optimierung einzelner Prozesse am Beispiel der NC-Fräsbearbeitung, welche durch die Zusammenarbeit zwischen dem LS8 und dem LS14 realisiert wird, als auch organisatorische Verbesserungen entlang ganzer Prozessketten.
Die Optimierung von Fräsprozessen erfordert Methoden zur Online-Anpassung von Parameterwerten an der Bearbeitungsmaschine. Um echtzeitfähige Prognosen zu ermöglichen, werden verschiedene Verfahren zur Aggregation und Merkmalsextraktion aus Zeitreihen für die Online-Anwendung untersucht. Während in der Großserienfertigung i.d.R. große Datenmengen für das Anlernen der Modelle zur Verfügung stehen, müssten diese für die Einzel-/Kleinserienfertigung zunächst mit hohem Ressourcenbedarf gewonnen werden. Deshalb sollen hierfür Methoden entwickelt werden, mit deren Hilfe Lernmodelle zunächst auf Simulationsdaten trainiert und anhand weniger Messdaten angepasst werden können. Durch den Einsatz von Prozesssimulationen bietet sich des Weiteren die Möglichkeit zur Analyse der Grenzen der Modellvorhersagen, deren experimentelle Untersuchung aus sicherheitstechnischen Gründen nicht durchgeführt werden kann. Darüber hinaus sollen die gelernten Prognosemodelle basierend auf der Detektion von Prozessveränderungen online angepasst werden. Hierfür sind Verfahren zu entwickeln, die prozessbedingte Verschiebungen der Verteilung im laufenden Prozess erkennen und gelernte Modelle für nachfolgende Prozesse fortwährend in Realzeit anpassen.
