Verbund: 05M2020 - OptProDat - Optimierung von Produktionsprozessen durch automatisierte Modellierung auf der Basis von Prozessdaten; Thema: 05M20ODA - Teilvorhaben 1: Datengetriebene Generierung von Modellen und Sensitivitätsanalyse für Produktionsprozesse

Abstract

Im Rahmen des Projekts wurden Ansätze für die datengetriebene Generierung von Modellen entwickelt und untersucht, die den Zusammenhang zwischen (überwiegend automatisch erfassten) Prozessgrößen und einem vom Anwender festgelegten Qualitätsmaß erfassen sollten. Die vom Praxispartner während der Produktion erfassten Prozessdaten lagen in Form von strukturierten Textdateien vor und konnten mit Hilfe von angepassten Datenpipelines für die weitere Datenverarbeitung nutzbar gemacht und mit den zugehörigen Qualitätsdaten verknüpft werden. Es wurden Versuche unternommen, die gegebene Datenmenge mit Methoden des unüberwachten Lernens zu behandeln und Strukturen automatisiert zu erfassen. Aufgrund der unzureichenden Datenlage musste dieser Ansatz jedoch verworfen und durch eine direktere Modellierungsstrategie ersetzt werden. So wurden letztlich durch einige prozessspezifische Datentransformationen für jeden erfassten Datensatz eine Menge von Kenngrößen extrahiert, die die Grundlage für die anschließende Modellbildung und -interpretation bildeten. Um die problemspezifischen Gegebenheiten adäquat zu berücksichtigen, wurden bekannte Modellierungsmethoden theoretisch verallgemeinert, teilweise erweitert und angepasst praktisch implementiert. So lagen zum Beispiel in der Zielgröße des Modells (gemessene Anzahl von Teilen mit unzureichender Güte je Prozessablauf) jeweils ganze Zahlen vor, die in einem festen Bereich variieren können, sodass eine einfache Modellierung als Klassifikations- oder Kleinste-Quadrate-Problem unbefriedigend ist. Für die konkrete Anwendung wurde daher z.B. die Idee von Support Vector Machines (bzw. Kernel Machines) genutzt und für die Nutzung mit einem Poisson-Fehlerterm erweitert. Die resultierenden Trainingsprobleme wurden theoretisch hergeleitet und praktisch mit einem speziell angepassten Newton-Verfahren behandelt. Die verwendeten Modellierungsansätze konnten für eine Sensitivitätsanalyse nutzbar gemacht werden, die einerseits eine effiziente Implementierung von ableitungsbasierten Hyperparameter-Optimierungsmethoden ermöglicht und andererseits eine Modellinterpretation erleichtert. Die Kombination dieser beiden Vorteile bildete die Grundlage für die automatisierte Identifikation von Prozessgrößen, die einen wesentlichen Einfluss auf die Produktqualität haben. Im Speziellen wurde ein Ablauf implementiert, in dem eine Vielzahl von Modellen mit unterschiedlichen Eingabedaten (d.h. zufällig ausgewählten Prozess-Kenngrößen) generiert wurden. Durch eine systematische und anwendungsspezifische Bewertung der erzeugten Modelle wurde insgesamt für jede einzelne Kenngröße eine geschätzte Wichtigkeit (für die Erreichung einer besseren Modellgüte) und eine Einflusstendenz (bezogen auf die zu modellierende Prozessqualität) ermittelt. Letztere Größen (geschätzte Wichtigkeit und Einflusstendenz) konnten dann von den Projektpartnern zur praktischen Modellinterpretation und -bewertung genutzt werden. Neben den im Rahmen des Projekts hauptsächlich zu entwickelnden Modellierungsmethoden wurde auch eine Reihe weiterer Ergebnisse erzielt, die die Arbeit von Projekt- und Anwendungspartnern erleichtern. Durch die automatisierte Aufbereitung der vorliegenden Daten war die einfache Visualisierung der Prozessdaten (auf unterschiedlichen Skalen) und deren Zusammenhänge zu den Qualitätsdaten möglich. Auch konnten einige Fehler in der Datenerfassung (z.B. falsch strukturierte Dateien) und -verfolgung (z.B. doppelt erfasste Prozesse) sowie grobe Ausreißer (z.B. degenerierte Prozessführungen) identifiziert und diskutiert werden. Dadurch war eine Rücksprache mit den Projektpartnern möglich, um die Modellbildung weiter zu verbessern. Außerdem wurde der zeitliche Prozessablauf und der Anlagenstatus visualisiert, wodurch der Anlagenbetreiber zusätzliche Einsichten erhalten könnte. Datei-Upload durch TIB