Fault Detection and Identification

Im Bereich „Fault Detection and Identification“ forschen wir gemeinsam mit unseren wissenschaftlichen Partnern u.a. an folgenden Themen:

Schnelle (Online) Algorithmen zum Erlernen von partiellen Systemmodellen

Algorithmen aus der robusten Statistik zeigen gute Ergebnisse für die Schätzung von Parametern bei Vorhandensein von Ausreißern (Fehlern), insbesondere Algorithmen mit einem hohen Bruchpunkt (breakdown point). Darüber hinaus werden Algorithmen mit einem hohen Bruchpunkt für Machine Learning Problemstellungen entwickelt, z.B. robuste Entscheidungsbäume, neuronale Netzwerke und Supportvektormaschinen.

Fehlerdetektion und -vorhersage

Schnelle und robuste Algorithmen (siehe oben) sind die Basis für die Ausreißer- und Fehlererkennung durch Residualanalyse. Die Residualanalyse kann als Analyse von Konfidenzbereichen verstanden werden. Weitere Methoden zur Schätzung und Analyse von Konfidenzbereichen sind Dichtegradschätzung und Schätzungen der statistischen Tiefe sowie implizite Ausreißererkennung. Der Zweck von Konfidenzbereichen ist es, zwischen normalen und abnormalen Systemzuständen zu unterscheiden. Dies erfordert stochastische Methoden, da die Systembeobachtungen zufällig sind. Zur Vorhersage des Zeitpunktes von Fehlerereignissen kommen Methoden aus dem Bereich Ereigniszeitanalyse zum Einsatz.

Optimale Instandhaltung

Unser Fokus liegt auf der Anwendung von Methoden wie robuste stochastische Optimierung und automatisierte Planung und der Suche nach Alternativen, die für unsere Anwendungsfälle am besten geeignet sind. Die Qualität der Vorhersagen ist in der Praxis für gute Optimierungsergebnisse entscheidend. Robuste Optimierungsalgorithmen sind speziell für die Arbeit mit unsicheren Vorhersagen ausgelegt.

Ausgewählte Publikationen sind im strategischen Projekt dasRES zusammengefasst aufgelistet.

 

Anwendungsbeispiel „Predictive Analytics Message Board“

Das „Predictive Analytics Message Board“ dient als Basis für die Überwachung sowie frühzeitige Detektion und Analyse von Fehlern in Maschinen, Produktionsanlagen, etc. Eine große Anzahl von Maschinen und Maschinenkomponenten kann dadurch kontinuierlich überwacht und auftretende Fehler priorisiert werden. Das „Predictive Analytics Message Board“ ist mit verschiedenen Methoden, hauptsächlich aus der datenbasierten Modellierung (Analyse lokaler Sensordaten, Vergleich mit ähnlichen Maschinen), aber auch mit anwendungsabhängigen, modellbasierten Ansätzen, ausgestattet. Durch vorausschauende Instandhaltungsstrategien (Predictive Maintenance) können die Anlagenverfügbarkeit erhöht, Stillstände reduziert und Material- und Energiekosten eingespart werden.

Beschreibung Predictive Analytics Message Board

Das „Predictive Analytics Message Board” wurde in mehreren Forschungsprojekten mit namhaften Unternehmen und wissenschaftlichen Partnern entwickelt:

  • COMET-Projekt inFADIA (Industrielle Fehlerdetektion, -diagnose und vorhersage)
  • Projekt PROSAM (Intelligent Fault Prognosis Systems for Anticipative Maintenance Strategies)
  • Projekt Smart Maintenance (Ressourcenintelligente Instandhaltungsstrategie für die Produktion der Zukunft)
  • Projekt AutoDetect (Automatisierte Fehlerdetektion, -diagnose und -vorhersage durch robuste Lernalgorithmen)

Demonstrationsvideo (7 MByte)

zurück