Skip to content
Licensed Unlicensed Requires Authentication Published by De Gruyter October 25, 2019

Intelligente Störungserkennung einer Werkzeugmaschine

Basierend auf Methoden des Maschinellen Lernens

Intelligent Anomaly Detection of Machine Tools
Based on Machine Learning Methods
Markus Netzer, Jonas Michelberger and Jürgen Fleischer

Kurzfassung

Anwendungen für Künstliche Intelligenz stehen in der Produktionstechnik kurz vor der industriellen Nutzung. Für eine Störungserkennung werden bislang feste Eingriffsgrenzen in den Signaldaten definiert. Um eine autonome Störungserkennung ohne feste Eingriffsgrenzen zu entwickeln, werden auf Basis einer Mustererkennung wiederkehrende Bearbeitungssegmente in den Signaldaten detektiert. Im vorliegenden Beitrag wird ein Vorgehen für eine Online-Mustererkennung im NC-Code beschrieben, worauf die erkannten Segmente mit Antriebssignalen verknüpft werden. Das intelligente System erlernt selbstständig individuelle Eingriffsgrenzen, wodurch eine Störungserkennung in Online-Daten des Antriebs ermöglicht wird. Der Anwender kann diese Störungen klassifizieren und bekommt Handlungsempfehlungen ausgegeben.

Abstract

Applications for artificial intelligence in production science are on the brink of industrial implementation. For an anomaly detection in machine tools, fixed threshold limits in signal data are necessary. To develop an autonomous anomaly detection without fixed limits, recurring segments have to be detected. In this article a procedure for online pattern recognition in NC code is described, where the recognized segments will be matched with drive signals. The intelligent system independently learns individual threshold limits. This enables an anomaly detection in online drive signals. The user can classify these faults and receives recommendations for action.


Markus Netzer, M. Eng., geb. 1993, studierte Maschinenbau mit der Fachrichtung Konstruktion und Entwicklung an der DHBW Ravensburg sowie Wirtschaftsingenieurwesen Fachrichtung Unternehmensoptimierung an der Hochschule Ravensburg-Weingarten. Er ist Wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik des KIT in der Abteilung Werkzeugmaschinen und Mechatronik.

Jonas Michelberger, B. Sc., geb. 1995, studierte Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie (KIT).

Prof. Dr.-Ing. Jürgen Fleischer, Professor und Institutsleiter am wbk – Institut für Produk­tions­technik am Karlsruher Institut für Technologie (KIT) im Bereich Maschinen, Anlagen und Prozessautomatisierung.


Literatur

1. Hasse, S.: Gießerei-Lexikon. 19. Aufl., Fachverlag Schiele und Schön, Berlin2007Search in Google Scholar

2. Bargel, H.-J.; Schulze, G. (Hrsg.): Werkstoffkunde. 12 Aufl., Springer-Vieweg-Verlag, Wiesbaden201810.1007/978-3-662-48629-0Search in Google Scholar

3. Koegh, E.; Kasetty, S.: On the Need for Time Series Data Mining Benchmarks: A Survey and Empirical Demonstration. Data Mining and Knowledge Discovery7 (2003) 4, S. 34937110.1145/775047.77506210.1023/A:1024988512476Search in Google Scholar

4. Macherauch, E.: Praktikum in Werkstoffkunde. Springer Fachmedien, Wiesbaden197210.1007/978-3-663-06815-0Search in Google Scholar

5. Kräutkrämer, J.: Werkstoffprüfung mit Ultraschall. Springer Fachmedien, Wiesbaden2013Search in Google Scholar

6. Minnen, D.; Isbell, C. L.; Essa, I.; Starner, T.: Discovering Multivariate Motifs Using Subsequence Density Estimation and Greedy Mixture Learning. In: Proceedings of the 22nd AAAI Conference on Artificial Intelligence AAAI-07. Vancouver, British Columbia 2007Search in Google Scholar

7. Liu, P.; Zhou, D.; Wu, N.: VDBSCAN: Varied Density Based Spatial Clustering of Applications with Noise. In: Proceedings of the International Conference on Service Systems and Service Management, 2007. ICSSSM 07; 9–11 June 2007, Chengdu, China, Hrsg. J. Chen, IEEE, Piscataway, NJ, S. 1410.1109/ICSSSM.2007.4280175Search in Google Scholar

8. Balasubramanian, A.; Wang, J.; Prabhakaran, B.: Discovering Multidimensional Motifs in Physiological Signals for Personalized Healthcare. IEEE Journal of Selected Topics in Signal Processing10 (2016) 5, S. 83284110.1109/JSTSP.2016.2543679Search in Google Scholar PubMed PubMed Central

9. Gao, Y.; Lin, J.: Efficient Discovery of Variable-length Time Series Motifs with Large Length Range in Million Scale Time Series. Published in ArXiv 201810.1109/ICDM.2017.8356939Search in Google Scholar

10. Alhoniemi, E.: Unsupervised Pattern Recognition Methods for Exploratory Analysis of Industrial Process Data. Helsinki University of Technology, Espoo2002Search in Google Scholar

11. Chockalingam, P.; Ervina, E. M. N.; Prabhu, C. M. R.: Tool Condition Monitoring in Turning Using Acoustic Emission. In: Proceedings of the AIP Conference 2018. 10.1063/1.5066951Search in Google Scholar

Online erschienen: 2019-10-25
Erschienen im Druck: 2019-10-28

© 2019, Carl Hanser Verlag, München

Scroll Up Arrow