Gestaltung eines auf dem föderierten Lernen basierenden Systems zur energetischen Anomalieerkennung in Produktionsprozessen

Abstract

Um die nationalen Effizienzziele zu erreichen, ist es unerlässlich, Energie und Material einzusparen. Die frühzeitige Erkennung von energetischen Anomalien in Produktionsprozessen kann hier mit Modellen aus dem Bereich des maschinellen Lernens erfolgen. Für das Training der Modelle werden von Anwendern von Maschinen und Anlagen innerhalb der Produktionsprozesse erfasste Daten benötigt, die viele Anwender in der Praxis nicht freigeben. Daher ist ein umfassendes Training und ein erfolgreiches Erkennen von Unregelmäßigkeiten aus der Perspektive des Maschinen- und Anlagenbauers nicht möglich. Diese Arbeit zielt darauf ab, ein auf dem föderierten Lernen basierendes System zur Erkennung von energetischen Anomalien in Produktionsprozessen zu entwickeln. Dieses System soll Produktionsunternehmen in die Lage versetzen energetische Anomalien zu erkennen, ohne dabei sensible Maschinen- und Betriebsdaten weiterzugeben. Daher adressiert diese Arbeit die Forschungsfrage, wie ein auf dem föderierten Lernen basierendes System zur energetischen Anomalieerkennung in Produktionsprozessen ausgelegt werden kann. Hierzu wird eine Architektur und eine Methode entwickelt, die sowohl die Identifikation der Datenverarbeitung, die Modellarchitektur als auch die Optimierung der Konfigurationsparameter des Systems umfasst. Die in der Arbeit definierten funktionalen Komponenten der Architektur können mit der Methode hergeleitet und instanziiert werden. Der vorgestellte Ansatz wird anhand zweier Anwendungsfälle validiert. Der erste Anwendungsfall befasst sich mit der Erkennung von Bedienfehlern beim Lichtbogenschweißen. Der zweite Anwendungsfall konzentriert sich auf die Erkennung von Druckluftleckagen, welche erhebliche Energieverluste verursachen können. In beiden Anwendungsfällen zeigt sich, dass eine Nutzung des auf dem föderierten Lernen basierenden Systems zur energetischen Anomalieerkennung eine Erkennung von Unregelmäßigkeiten in Produktionsprozessen ermöglicht, ohne dass sensible Maschinen- und Betriebsdaten zentral gespeichert werden. In order to achieve the national efficiency targets, it is essential to save energy and materials. The early detection of energy anomalies in production processes can be achieved using machine learning models. Training the models requires data recorded by users of machines and systems within the production processes, which many users do not release in practice. Therefore, comprehensive training and successful recognition of irregularities is not possible from the perspective of the industrial equipment and machinery manufacturer. This thesis aims to develop a method for designing a federated learning-based system for detecting energy anomalies in production processes. This system should enable manufacturing companies and users of industrial equipment and machinery to detect energy anomalies without disclosing sensitive machine and operational data. Therefore, this thesis addresses the research question of how a federated learning based system for energy anomaly detection in production processes can be designed. For this purpose, an architecture and a method are developed that includes the identification of the data processing, the model architecture and the optimization of the configuration parameters of the system. The instantiation of the functional components of the architecture defined in the thesis can thus be derived using the method. The approach presented is validated using two use cases. The first use case deals with the detection of operator errors during arc welding. The second use case focusses on the detection of compressed air leaks, which can cause considerable energy losses. Both use cases show that using the federated learning-based system for energy anomaly detection makes it possible to detect irregularities in production processes without storing sensitive machine and operating data centrally.