FH Bielefeld
University of
Applied Sciences

Prescriptive Quality in einer Industrial-IoT-Factory

Prescriptive Quality in einer Industrial-IoT-Factory



Projektübersicht

Anzahl Studierende 1
Art Gefördertes Projekt mit externem Partner
Projektverantwortung Prof. Dr. W. Schenck,
N. Migenda, M. Eng.
Projektkontext

Das Projekt findet in enger Zusammenarbeit mit dem Center for Applied Data Science (CfADS) Gütersloh und dem Fraunhofer IEM (Paderborn) statt. Die Beschäftigung als wiss. Hilfskraft ist möglich.

 

Videos: Presciptive Quality in der Industrial-IoT-Factory

 

Kurzbeschreibung

Das produzierende und verarbeitende Gewerbe ist eine wichtige Säule der deutschen Wirtschaft. Zur Aufrechterhaltung dieser Säule werden im Zuge der Digitalisierung Produktionsstraßen und Produkte mit vielseitiger Sensorik aufgerüstet. Diese ermöglichen es, den Zustand von Maschinen und Produkten kontinuierlich zu erfassen und frühzeitig Hinweise auf mögliche Ausfälle zu erlangen. Ansätze zur Vorhersage von Produktschäden (Predictive Quality) beruhen auf Methoden aus dem Bereich der „Künstlichen Intelligenz“. Hierbei gilt es, mittels datenbasierter Modelle Fehlerzustände an Produkten während der Produktion vorherzusagen. Der Begriff „Prescriptive Quality“ steht im engen Zusammenhang zu den genannten Methoden, geht jedoch noch einen Schritt weiter. Neben der reinen Vorhersage und Feststellung eines möglichen Fehlerzustands wird aktiv durch automatisches Anpassen von Stellgrößen oder Auftragsparameter in den Prozess eingegriffen. Hierdurch wird das fehlerhafte Produkt direkt aus der Produktion entfernt oder gesondert bearbeitet. Dieser Prozessablauf wird an der Industrial-Internet-of-Things-Factory (IIoT-Factory) des Centers for Applied Data Science (CfADS) am Campus Gütersloh erprobt. Ein virtueller Rundgang ist unter folgendem Link möglich: https://www.fh-bielefeld.de/ium/cfads/projekte/iot-factory/virtuelle-tour. Bei Wunsch sind Führungen direkt vor Ort auch gerne spontan möglich. In der IIoT-Factory wird kontinuierlich ein intelligentes Produkt (IoT-Device) produziert, welches bereits ab einem frühen Produktionsstadium Daten sendet. Dies ermöglicht es, Fehler schon vor der Fertigstellung zu identifizieren und frühzeitig Reaktionsstrategien einzuleiten. Anbei ist beispielhaft ein Produktionsschritt gezeigt; Links: Das halb fertige IoT-Device wartet in der Montagezelle auf die Oberschale. Es ist bereits mit Sensorik ausgestattet und sendet kontinuierlich Daten. Rechts: Die Oberschale wird auf das IoT-Device gesetzt. Auftretende Messgrößen wie bspw. Kräfte und Beschleunigungen werden erfasst und zur Fehlerdetektion verwendet.

Prescriptive Quality in einer Industrial-IoT-Factory

Das hier beschriebene Projekt ist ein direkter Nachfolger des Projekts „Prescriptive Maintenance an einer Industrial IoT-Factory“ im Forschungsmaster Data Science, welches im Wintersemester 21/22 erfolgreich abgeschlossen worden ist. Bei Prescriptive Maintenance werden Fehlerzustände von produzierenden Maschinen während der Produktion vorhergesagt und anschließend die Produktion so angepasst, dass kein Fehler bis zur nächsten Wartung eintritt. So wurde ein Workflow zur kontinuierlichen Datenerfassung und -weiterleitung mittels IoT-Protokolle in dem CfADS-Cluster implementiert und erprobt. Daten von über 2000 Produktionsstunden von Maschinen und Produkten konnten bisher aufgenommen werden und sind in diesem Projekt direkt nutzbar.

Prescriptive Quality in einer Industrial-IoT-Factory

Die vorstehende Abbildung illustriert den Datenerfassungs-Workflow: Die Datenströme der verschiedenen Sensoren der IoT-Factory werden in Echtzeit aufbereitet und für die Modellbildung zur Verfügung gestellt. Verschiedene maschinelle Lernmethoden, die im engen Zusammenhang mit denen im Masterstudiengang gelehrten Ansätzen stehen, wurden im Vorgängerprojekt implementiert und getestet. Die Projektergebnisse konnten erfolgreich auf einer internationalen Konferenz veröffentlicht werden. Während sich das Vorgängerprojekt mit der Detektion und Vorhersage von Maschinenfehlern beschäftigt hat, wird in diesem Projekt die Produktseite (IoT-Devices) betrachtet. Die geleisteten Vorarbeiten bieten im Vergleich zu anderen Projekten eine komfortable Ausgangssituation, die einen reibungslosen Projektablauf sicherstellt.

Aufgabenstellung

Übergeordnet ist das Ziel des Projekts, einen Workflow für Prescriptive Quality in einer IIoT-Factory zu implementieren und zu validieren. Die genauen Meilensteine und der Projektplan lassen sich aus den einzelnen Ebenen des folgenden Workflows ableiten.

Prescriptive Quality in einer Industrial-IoT-Factory

Problemstellung und Ziele
Die Aufgabe des Studierenden ist es, einen Workflow für den umfassenden Einsatz von Prescriptive Quality (obiges Bild) an der CfADS-internen IIoT-Factory umzusetzen. Hierzu gilt es, sich zunächst in die vorhandenen Grundlagen von Prescriptive Quality in Bezug auf IIoT einzuarbeiten und sich mit der IIoTFactory und den IoT-Devices vertraut zu machen. Der Studierende soll in diesem Zusammenhang das Sammeln und Verarbeiten von „Big Data“ an der IIoT-Factory und der CfADS-Cloud erlernen. Ein besonderer Fokus liegt hierbei auf den Sensordaten der IoT-Devices. Die aufgenommen Daten sind anschließend mit passgenauen Methoden aufzubereiten. Mit den aufbereiteten Datenmengen und der vorhandenen Datenhistorie sollen im weiteren Modelle des maschinellen Lernens (ML) zur Online- Anomalie-Erkennung implementiert werden. Das Erlernen und Benchmarken einer großen Spannbreite an ML-Verfahren zur Online-Anomalie-Erkennung steht im Vordergrund. Basierend auf dem Benchmark wird sich anschließend auf ein ML-Verfahren spezialisiert und dieses hinsichtlich Prescriptive Quality erweitert. Die Ergebnisse sind funktional an den IoT-Devices in der IIoT-Factory zu validieren. Abschließend ist eine grafische Oberfläche zu entwerfen, sodass interne und externe Nutzer die in diesem Projekt erzielten Ergebnisse auch nach Projektende weiter nutzen können. Neben den Zielen der praktischen Anwendung wird das Veröffentlichen und Präsentieren von wissenschaftlichen Arbeiten auf internationalen Konferenzen aktiv unterstützt, mit dem Ziel, den Studierenden auf eine mögliche akademische Laufbahn vorzubereiten.

 

Bezug zum Thema Data Science  
Die vorausschauende Analyse und das automatische Beheben von möglichen Anomalien in Fertigungsprozessen sind ein zentrales Thema der Data Science für produzierende Unternehmen. Außerdem stehen im Projekt Methoden des maschinellen Lernens im Mittelpunkt.

 

Verfügbare Ressourcen

  • Aktive Betreuung bei der Nutzung der CfADS-Forschungsinfrastruktur
  • Aktive Unterstützung beim Verfassen wissenschaftlicher Veröffentlichungen
  • Die Industrial-IoT-Factory und der Data-Analytics-Cluster des CfADS stehen über die gesamte Projektlaufzeit zur Verfügung

 

Projektplan
Erstes Semester:
 Das Ziel des ersten Semesters ist die Einarbeitung in den Workflow von Predictive und Prescriptive Quality und in die dabei verwendeten ML-Methoden. Außerdem gilt es, sich mit den Grundlagen der Industrial-IoT-Factory, der IoT-Devices und des Data-Analytics-Clusters des CfADS vertraut zu machen. Die Prüfungsleistung ist das Erstellen eines Forschungsexposés auf Englisch und ein dazugehöriges Kolloquium.

Zweites Semester: Zum Trainieren von ML-Modellen werden große Datenmengen benötigt. Ergänzend zu den bereits vorhandenen Daten sind spezifisch Daten von den IoT-Devices aufzunehmen. Hierfür sind Skripte für den Datenfluss von der IIoT-Factory in eine NoSQL-Datenbank innerhalb des Data- Analytics-Clusters zu erstellen. Anschließend sind speziell für die aufgenommenen Daten neue Datenaufbereitungsverfahren zu implementieren und zu validieren. Die Umsetzung dieses Workflows an der realen IIoT-Factory soll in Form eines „Short Papers“ als Prüfungsleistung gewertet werden. Die Ergebnisse werden optimalerweise im Rahmen einer Konferenz präsentiert.

Drittes Semester: Basierend auf den gesammelten Daten ist das Implementieren von ML-Algorithmen für die Online-Anomaliedetektion Hauptbestandteil des dritten Semesters. Hierfür soll auf Basis der aufbereiteten Daten der IoT-Devices mittels ML-Methoden, welche Bestandteil der Einarbeitung im ersten Semester waren, ein datenbasiertes Modell zur Online-Anomaliedetektion erstellt werden. Ein ausführliches Benchmarking dieser Algorithmen hinsichtlich ihrer Eigenschaften zur Anomaliedetektion im Full-Paper-Format ist als Prüfungsleistung angedacht. Auch hier ist das Präsentieren im Rahmen einer Konferenz erwünscht. Ergänzend ist ein Dashboard zu entwerfen, auf dem detektierte Anomalien während der Produktion angezeigt werden.

Viertes Semester: Inhalt der Masterarbeit ist die Auswahl und Implementierung eines geeigneten Algorithmus für Predictive Quality. Hierbei ist auf die Interoperabilität mit den zuvor ausgewählten Methoden zu achten. Anschließend ist basierend auf den vorhergesagten Anomalien eine geeignete Reaktionsstrategie (Prescriptive) umzusetzen. Hierbei sind die sicherheitstechnischen Aspekte nicht zu vernachlässigen. Das Dashboard aus dem dritten Semester soll entsprechend ergänzt werden. Die Ergebnisse werden in Form einer Masterarbeit dargestellt. Zusätzlich ist das Schreiben eines Journal- Papers möglich. Die Masterarbeit wird mit einem Kolloquium abgeschlossen.

 

Eignungskriterien
Zwingend: 

  • Bachelorabschluss in einer einschlägigen Fachrichtung (Informatik, Elektrotechnik, Mechatronik, angewandte Mathematik, Kognitionswissenschaft o.ä.)
  • Umfassende Programmierkenntnisse in mindestens einer objektorientierten Programmiersprache
  • Gute mathematische Kenntnisse in linearer Algebra und Differentialrechnung
  • Fließendes Englisch in Wort und Schrift
Optional:
  • Umgang mit Python und/oder Matlab/Simulink
  • SPS-Programmierung (vorzugsweise TwinCat)
  • Praktische Erfahrung mit mechanischen Aufbauten


Erwerbbare Kompetenzen
Der / die Studierende ist nach Abschluss des Projekts in der Lage,

  • einen Big-Data-Workflow im industriellen Kontext zu entwickeln (Datenerfassung, - speicherung und -aufbereitung),
  • die im industriellen Kontext relevanten ML-Verfahren zielgerichtet anzuwenden und anwendungsbezogen anzupassen und ggf. weiterzuentwickeln,
  • datenbasierte Algorithmen bzgl. ihrer Eignung für Predictive und Prescriptive Quality korrekt einzuschätzen,
  • die theoretischen Anforderungen von ML-Verfahren mit den Erfordernissen der Praxis in einer realen Fertigungslinie in Einklang zu bringen,
  • die eigenen Forschungsergebnisse vor einem Fachpublikum zu präsentieren
  • und wissenschaftliche Texte zu verfassen.