Erkennung von Anomalien mit dem Autoencoder
Die relevanten Merkmale lernt der Autoencoderer mit einer Dimensionsreduktion der Eingabe, also aus ihrer komprimierten Darstellung. Diese Rekonstruktion ist das Qualitätskriterium der gelernten Merkmale des Autoencoders und bedeutend für die Erkennung von Anomalien. Für eine zuverlässige Erkennung von Anomalien im Presskraftverlauf müssen die Merkmale gut abstrahiert werden. Eine Architektur- und Parameterstudie ist notwendig, um den Autoencoder auf den Prozess anzupassen. Der Vorteil dieser Deep-Learning-Architektur besteht darin, dass ein aufwendiges Labeling der Daten entfällt. Neben diesem Vorteil erzielen Deep-Learning-Verfahren oft bessere Ergebnisse in Bezug auf die Erkennung von Anomalien in zeitbasierten Prozessgrößen als herkömmliche Verfahren. Außerdem erlauben sie die Vorhersage einer Prozessgröße oder akzeptieren unterschiedliche Prozessverläufe. Jedoch liefern diese Verfahren im Allgemeinen keinen verständlichen Rückgabewert. Außerdem muss der passende Aufbau der Autoencoder-Architektur untersucht werden. Für diese Architektur fällt ein zeitintensives Parametertuning an, bis der Autoencoder die Merkmale gut abstrahiert und ein gutes Ergebnis erzielt wird. Eine für die Aufgabe optimierte Architektur sollte Anomalien in der festgelegten Prozessgröße zuverlässig erkennen.
Deep-Learning vs. Hüllkurve
Zum Nachweis der Erkennungsgenauigkeit wurde ein Experiment durchgeführt, das die Performance des Systems samt Algorithmen offenlegen sollte. Im Experiment wird gewertet, wie viele abnormale Presskraftverläufe in einem Prozessdatensatz erkannt werden. Im Ergebnis erkannte der Autoencoder 85 Prozent der Anomalien, während das Hüllkurven-Verfahren 60 Prozent erkannte. Bei der Genauigkeit lag der Autoencoder mit 99 Prozent zu 96 Prozent ebenfalls vorne. Die neuen Verfahren eignen sich somit zur Ablösung des Hüllkurvenalgorithmus. Sie erkennen Anomalien im Presskraftverlauf zuverlässiger als die Hüllkurve. Die Ausführzeit der Deep-Learning-Verfahren liegt zwar hinter der des Hüllkurvenalgorithmus, sie können mit einem universellen Austauschformat Deep-Learning-Verfahren jedoch auf Steuerungsebene ausgeführt werden, um Steuerungsechtzeit zu ermöglichen.
Presskraftüberwachung der Zukunft?
Mit Deep-Learning konnten Anomalien im Presskraftverlauf besser erkannt werden als mit den verglichenen hüllkurvenbasierten Prozessüberwachungssystemen. Außerdem konnte nicht nur die Erkennungsgenauigkeit verbessert, sondern auch die Konfiguration auf einen allgemeinverständlichen Einstellparameter reduziert werden, der ebenfalls einen Rückgabewert aus dem Prozess liefert. Der Nachweis war grundlegend, um den Prototypen des neuen Systems zur Presskraftüberwachung – Schuler Pressforce Die Protection zu entwickeln. Das System wird in der Produktionsumgebung umfänglich getestet und auf die Problemstellung weiter angepasst.