Kombination von überwachten und teilüberwachten Methoden des maschinellen Lernens für eine adaptive und robuste Zustandsüberwachung industrieller Applikationen

Abstract

Industrielle Datenlandschaften werden zunehmend komplexer, wodurch Methoden des maschinellen Lernens immer populärer werden, um die Wertschöpfung auf Basis der gesammelten Daten zu erhöhen. Zentrale Versprechen stellen dabei die Optimierung der Anlagenverfügbarkeit auf Basis moderner Instandhaltungsstrategien sowie eine ressourcensparende und effiziente Prozessführung dar. Viele der vorgeschlagenen Algorithmen sind überwachte Methoden, die versteckte Muster in den Daten lernen und wiedererkennen können. Zum Erlernen der Muster werden jedoch Trainingsdaten in hoher Qualität benötigt, die in einem industriellen Umfeld aufgrund der hohen Kosten nur in begrenztem Umfang generiert werden können. Zudem stellt die Stabilität der Modelle durch variierende Umgebungsbedingungen eine der maßgeblichen Hürden für die breitbandige Nutzung der Methoden dar. In dieser Arbeit wird ein methodenunabhängiger, übergeordneter Algorithmus zur Kombination teilüberwachter und überwachter Methoden des maschinellen Lernens vorgestellt, welcher eine robuste und adaptive Zustandsüberwachung industrieller Prozesse ermöglicht. Dadurch können die datengetriebenen Modelle in der Anwendung an variierende Umgebungseinflüsse oder bis dato unbekannte Systemzustände angepasst werden. Zur Absicherung der für die Algorithmen benötigten Datenqualität wird zudem eine dem Modellbildungsprozess vorgelagerte Mess- und Datenplanung vorgeschlagen. Um die breite Anwendungsmöglichkeit und Leitungsfähigkeit der Methoden zu demonstrieren, erfolgt die Validierung anhand vier stark unterschiedlicher industrieller Anwendungen.

Industrial data landscapes are becoming increasingly complex, leading to a growing popularity of machine learning methods aimed at enhancing the added value of industrial applications based on collected data. Key promises include optimizing equipment availability through modern maintenance strategies and ensuring resource-efficient and effective process management. Many of the proposed algorithms are supervised methods capable of learning and recognizing hidden patterns in the data. However, high-quality training data is required to learn these patterns, which can only be generated to a limited extent in industrial environments due to the high costs involved. Furthermore, the stability of the models under varying environmental conditions in complex industrial settings poses a significant challenge for the widespread adoption of these methods. This paper presents a method-independent, superordinate algorithm for combining semi-supervised and supervised machine learning methods, enabling robust and adaptive condition monitoring of industrial processes. This allows the data-driven models in the application to be adapted to varying environmental influences or previously unknown system states. To ensure the data quality required for the algorithms, measurement and data planning upstream of the modeling process is proposed. To demonstrate the broad applicability and effectiveness of the methods, validation is conducted using four significantly different industrial applications.