Projektbeschreibung

In der heutigen globalisierten Welt ist die kontinuierliche Weiterentwicklung des Know-Hows in Produktion und Entwicklung essentiell für den Technologievorsprung und Wohlstand in Bayern bzw. Europa. Um wettbewerbsfähig zu produzieren, muss die Overall Equipment Effectiveness (OEE), d. h. Produktqualität, Leistung und Verfügbarkeit, der Maschinen maximiert werden. Um insbesondere die OEE zu steigern, werden in M@OK (Machine @ Online Knowledge) Datenanalyse-Ansätze auf das Expertenwissen über die Maschinen von Hersteller und Betreiber sowie Prozess- und Alarmdaten verknüpft und mittels Machine-Learning Methoden Optimierungspotentiale aufgedeckt und somit nutzbar gemacht. Oberstes Ziel des Forschungsprojekts ist die Reduzierung von Maschinenstillständen. Dafür sollen Zusammenhänge in Sensor-, Aktor- und Meldungsdaten einer Maschine durch Data Mining gefunden werden, die auf einen Verschleiß und dadurch auf eine baldig notwendige Wartung hindeuten. Um von Anfang an eine zielführende, ergebnisorientierte Datenanalyse zu ermöglichen, soll menschliches Wissen über die Maschine und die darin ablaufenden Prozesse in die Analyse mit einfließen. Dies hat den Vorteil, dass lediglich zusammenhängende Sensoren, Aktoren und Meldungen miteinander analysiert werden, was die Komplexität der Modelle und Gefahren des Übertrainierens vermindert. Die Ergebnisse der Datenanalyse sollen verwendet werden, um rechtzeitig auf den Verschleiß einer Maschine hinzuweisen. Dies erfordert eine automatische Analyse der aktuellen Sensor-, Aktor- und Meldungsdaten während des Anlagenbetriebs und beinhaltet eine online Interpretation der Analyse und das Ableiten von Handlungsempfehlungen. Der Einsatz von Agentensystemen wird deshalb den Prozess des Data Minings koordinieren. Das Lernen von Modellen, sowie die Prüfung des Prozesses oder der Anlage anhand dieser Modelle wird von Softwareagenten getriggert und durchgeführt. Das anschließenden Umsetzen der Data Mining Ergebnisse wird von weiteren Agenten gesteuert. Handlungsempfehlungen sollen ausgegeben werden, um den Betreiber zu unterstützen. Integriert in Anlagen und Maschinen kann das Agentensystem und die entwickelten Modelle in Services zur Erhöhung der Anlagenverfügbarkeit weiterentwickelt werden.

Projektpartner

• Technische Universität München
• DORST Technologies GmbH & Co. KG
• GROB-WERKE GmbH & Co. KG
• Continental Reifen Deutschland GmbH (assoziiert)
• HAWE Hydraulik SE (assoziiert)

Kontakt

• Prof. Dr.-Ing. Birgit Vogel-Heuser (Ordinaria)

Förderung

Gefördert durch das Bayerische Staatsministerium für Wirtschaft und Medien, Energie und Technologie, getragen durch den VDI/VDE/IT innerhalb des Forschungs- und Entwicklungs-Programms „Informations- und Kommunikationstechnik“ des Freistaats Bayern