Ziel des Forschungsprojekts DaPro ist die Entwicklung eines Werkzeugkoffers, um die Anwender zur eigenständigen Durchführung von Optimierungsprojekten zu befähigen. Der Werkzeugkoffer setzt sich aus entstandenen modularen Werkzeugen in den Plattform-Ökosystemen RapidMiner sowie Share2Act zusammen.
Die Werkzeuge im Plattform-Ökosystem von RapidMiner sind universell nutzbar und ersparen große Zeitaufwände in den unterschiedlichsten Phasen der Umsetzung einer datengetriebenen Prozessoptimierung. Diese unterstützen beginnend bei der Datenbeschaffung, über eine Datenvorverarbeitung bis zur Modellierung, Evaluierung, Interpretation und dem Deployment der Anwendungsfälle. Es wurden zudem Tools für DaPro entwickelt, die sich mit dem Transfer von Modellen und Prozessen beschäftigen. Hervorzuheben ist hier der Datenhelfer, der im Zusammenspiel mit zuvor erstellten Datenschemata die Kapselung den Transfer von Use Case-Modulen ermöglicht.
Zur generischen Umsetzung von ML-Anwendungsfällen im Prozessbereich stehen folgende Werkzeuge in Form einer Extension in der RapidMiner-Plattform bereit (Data Structure Extension):
- Use Case Module Generator
- Create Data Schema
- Validate Schema
- Adjust Data to Schema
- Rename by Multiple Examples
- OPC UA-Connector
- Chargenrückverfolgungstool
- Auto Data Quality Assistant (in Kooperation mit BMBF-Projekt AKKORD)
- Time-based Windowing
- Custom Windowing
- Equalize Time Stamps
- Generate Interpretation
- Multi-Horizon Performance Interpretation
Die Werkzeuge des Systempartners Syskron lassen sich grob in zwei Kategorien einteilen. Einerseits unterstützen diese die firmeninternen Kollegen aus der Softwareentwicklung/-betreuung, um die Share2Act-Plattform schnell, effizient und einfach für den Einsatz von ML ohne tiefe Data Science-Kenntnisse einzurichten und zu pflegen. Dazu wurden Werkzeuge entworfen, die eine Anbindung der Datenpunkte und ein schnelles Trainieren der Modelle ermöglichen. Für den geübten Anwender ist eine derartige Einrichtung neuer Analysemodule oder ein Transfer von Modulen auf andere Anwendungsfälle möglich. Darüber hinaus wurden die Anwendungsszenarien zur Analyse füllerrelevanter Störungen (Timestealer) und zur vorausschauenden Instandhaltung (Starwheel Anomaly Monitoring und Drive Anomaly Monitoring) in Form von Modulen in der Share2Act-Plattform prototypisch bereitgestellt und validiert.
Im Detail sind seitens Syskron folgende Werkzeuge prototypisch entwickelt und validiert worden:
- Share2Act-Modul Timestealer
- Share2Act-Modul Starwheel Anomaly Monitoring
- Share2Act-Modul Drive Anomaly Monitoring
- Data-Acquisition-Service Assistent für die Anwendungen im Maintenance Kontext
- Trainingshelfer der Servomotorenüberwachung
- Trainingshelfer der Rotationsüberwachung der Sterne
- Visualisierungstool für Maintenance-Use Cases
- Werkzeug zur Konfiguration der Watches und Notifizierungen
- Assistenzmodul zur Parametrisierung der Timestealer-Applikation
- Labeling-Tool für die Timestealer-Applikation
- Quality Framework für die Timestealer-Applikation
Das Werkzeug Use Case Module Generator ermöglicht eine übergeordnete Definition und Kapselung von konfigurierbaren Anwendungsszenarien
o Der übergeordnete Operator kann Einzeloperatoren bündeln und heterogene Anwendung in der Durchführung von Analysen, aber auch im Transfer von Anwendungsszenarien unterstützen.
o Ziel ist die Kapselung und Wiederverwendung existierender Analysen.
Das Werkzeug Create Data Schema adressiert die Definition von Datenschemata:
o Ziel ist die Erstellung einer Vorlage zur Kommunikation, welche Daten für eine Analyse benötigt werden.
o Der Fokus liegt in der Datenvorbereitung sowie bei der initialen Ausführung von Analyseprozessen.
o Synergien ergeben sich insb. im Zusammenspiel mit dem Adjust Data to Schema Operator, der bei der (mehrfachen) Anwendung hilft.
Das Werkzeug Validate Schema hat die Validierung eines Nutzerdatensatzes in Bezug auf Datenanaforderungen eines Analysemoduls zum Ziel
o Zugrunde liegt ein Operator zur Validierung eines Schemas bzw. zugrundeliegender (neuer) Datenquellen auf Eigenschaften wie das Vorhandensein von Attributen, Anzahlen an Beispielen, aber auch statistischen Metriken.
o Falls die Anforderungen eines Schemas nicht erfüllt werden, erhält der Anwender zudem Hinweise auf die Ursachen.
o Datensätze müssen nicht mehr manuell doppelt validiert werden, zudem sind keine Programmierkenntnisse erforderlich.
Das Werkzeug Adjust Data to Schema beinhaltet einen Operator zur Anpassung eines Datensatzes an eine definierte erforderliche Datenstruktur
o Hierbei erfolgt die Konfiguration eines Nutzerdatensatzes zu einem Schema. Es sind keine Programmierkenntnisse erforderlich, so dass das Werkzeug auch für Domänenexperten einen guten Zugang bietet.
o Insb. werden Anpassungs- und Aufbereitungsaufwände reduziert.
Das Werkzeug Rename by Multiple Examples vereinfacht die händische Aufbereitung von mehrzeiligen Attribut-Benennungen
o Das Ziel besteht in der Zusammenführung von in verschiedenen Zeilen gespeicherten Informationen über ein Attribut in eine Zeile.
o Hierdurch wird die Vorbereitung von Datensätzen zur Analyse vereinfacht.
Weiterhin wurde ein OPC UA-Connector entwickelt:
o Es bestehen sowohl Zugriffsmöglichkeiten auf Live-Daten sowie auf historische Werte über das OPC UA-Protokoll.
o Einsparungen entstehen in der manuellen Datenextraktion, zudem bietet das Werkzeug eine Übersicht über OPC UA-Nodes und vereinfacht eine komplexe Anbindung im Deployment.
Das Chargenrückverfolgungstool stellt ein Werkzeug zur Vereinfachung der Chargenrückverfolgung dar
o Ziel ist die vereinfachte Nachverfolgung von Chargen in der Produktion.
o Insb. in Reklamationsfällen können von einer Flasche ausgehend stromabwärts relevante Chargen und Chargendaten abgerufen und visualisiert werden.
o Zudem hilft das Werkzeug in der Datenvorbereitung für Analysen.
Das Werkzeug Auto Data Quality Assistant wurde in Zusammenarbeit mit dem Forschungsprojekt AKKORD entwickelt und beinhaltet die (teil-)automatisierte Bewertung der Datenqualität.
Das Werkzeug Time-Based Windowing erweitert Möglichkeiten der Zeitreihenanalyse
o Innerhalb des Time Series Operator erfolgt die Konfiguration von Zeitfenstern.
o Das Werkzeug hilft in der Abschnittseinteilung von Zeitreihen sowie insb. der Handhabung von Zeit- und Kalenderdaten.
Das Werkzeug Custom Windowing erweitert ebenfalls die Möglichkeiten der Zeitreihenanalyse
o Das Modul ermöglicht die Definition benutzerdefinierter Abschnitte (bspw. Marketing-Aktionen/Zeiträume).
o Analog zum Time-Based Windowing werden Aufwände zur händischen oder programmatischen Aufteilung nach benutzerdefinierten Zeitfenstern reduziert.
Das Werkzeug Equalize Time Stamps vereinfacht die Aufbereitung von Nicht-Äquidistanten Zeitreihen
o Analysen bzw. Modelle und Trainingsalgorithmen zu Zeitreihen gehen häufig von äquidistanten Zeitstempeln aus, Realdaten liegen jedoch häufig nicht in einer derartigen Form vor (bspw. werden teilweise nur Änderungen gespeichert oder Ereignisse treten unregelmäßig auf).
o Durch das Werkzeug können manuelle Vorverarbeitungsaufwände in der Generierung von äquidistanten Zeitreihen eingespart werden.
Das Werkzeug Generate Interpretation dient der Steigerung der Interpretierbarkeit von Modellen
o Für die Evaluierung der Ergebnisse eines Modells erfolgt eine automatisierte Generierung von Analysen zu Einflussfaktoren.
o Hierbei sind keine Vorkenntnisse zu Interpretationsverfahren notwendig.
Das Werkzeug Multi-Horizon Performance Interpretation findet Anwendung in der Evaluation von Zeitreihenanalysen
o Ziel ist die Visualisierung der Vorhersage auf Testdaten aus der Sliding Window Validation zur Validierung neben einzelner Performance-Metriken.
o Hierbei entfallen komplexe Analyseschritte für sequentielle Daten sowie die manuelle Ploterstellung.
o Zudem wird ein besseres Verständnis der Prognosen gefördert.
Das Share2Act-Modul Timestealer nutzt Funktionalitäten des Performance Services in der Share2Act Plattform
o Der Performance Service bietet ein standardisiertes Reporting der Anlage.
o Das entwickelte System liefert eine tabellarische Sicht auf den “TimeStealer” in Bezug auf Leitmaschinenstillstände
o Alle konnektierten Maschinen liefern über den Betriebszustand und dessen Zeitstempel die notwendige Ausgangsbasis für das System.
o In der Plattform wird das System datengetrieben mit dem Service auf Basis von Livedaten konfiguriert.
o Eine experimentelle Visualisierung (Donut) wird dem Anwender als statistische Quelle angeboten.
Das Share2Act-Modul Starwheel Anomaly Monitoring und das Share2Act-Modul Drive Anomaly Monitoring nutzen Funktionalitäten des WatchDog Services in der Share2Act Plattform
o Der WatchDog dient der Überwachung von einzelnen Parametern in der Anlage.
o Die entwickelten Systeme liefern Parameter/Indikatoren zur Überwachung
o Alle überwachten Motoren besitzen mehrere Analysemodule.
o Die Analysemodule sind in einzelne Überwachungstemplates implementiert bzw. konfiguriert.
o Im Analysemodul kann eine Notifizierung eingerichtet werden (SMS an User)
Das Werkzeug Data-Acquisition-Service Assistent hilft bei der Konnektierung von Datenpunkten im Rahmen der Konfiguration neuer Use Cases.
o Insb. in der Inbetriebnahme von Services auf einer neuen Maschine bietet das Werkzeuge eine Unterstützung.
o Ziel ist es, das Erfordernis von Data Scientisten für die Inbetriebnahme von Modulen im operativen Geschäft weitestgehend zu reduzieren bzw. operative Kräfte (Operations Team) zur eigenständigen Durchführung zu befähigen.
Darauf aufbauend bietet der Trainingshelfer der Servomotorenüberwachung Unterstützung im Training der neuer Applikationen:
o Die Einsatzbereiche bestehen in der Datenvorbereitung und im Modeling.
o Das Training kann nach einem definierten Zeitraum nach Inbetriebnahme der Datenerfassung beginnen. Hierbei werden in erster Linie Normalzuständen, Alarm und Warngrenzen trainiert, die im Anschluss übernommen und auf dem ReadyKit deployt werden.
Eine analoge Unterstützung bietet der Trainingshelfer der Rotationsüberwachung der Sterne:
o Ziel ist die Konfiguration und Inbetriebnahme eines neuen Anwendungsszenarios der Starwheel Anomaly durch Operation-Teams.
o Basierend auf einem definierten regulären Produktionszeitraum mit der Maschine erfolgt das Training auf Basis des erzeugten Datensatzes.
o Neben dem Training eines i. O.-Modells bietet das Werkzeug Unterstützung bei der Fehlersuche, falls sich Abweichungen ergeben.
Die Visualisierungstools für Maintenance-Use Cases stellen die am Edge ermittelten Kennzahlen dar:
o Ziel des Tools ist die Darstellung der Kennzahlen und Health Scores in einem ausgewählten Zeitraum
o Abweichungen oder Anomalien vom Normzustand können eingesehen und somit erkannt werden.
Das Werkzeug zur Konfiguration der Watches & Notifikationen beinhaltet das Anlegen von WatchDogs zur Überwachung von KPIs in der Share2Act-Plattform, die von Edge Devices erzeugt werden
o Im Fokus steht insb. ein Vorlagenmanagement zur Verwaltung von Watches. Sie hilft, auf vorgefertigten Templates bspw. für die Servomotorenüberwachung aufzusetzen.
Für die Liniendynamik wurde ein Assistenzmodul zur Parametrisierung der Timestealer-Applikation entwickelt:
o Ziel des Konfigurationshelfers ist die Identifizierung von erforderlichen Parametern für den Analyse-Algorithmus.
o Sobald Datenpunkte vorliegen (Betriebszustände von angebunden Maschinen), können in einer Operations Konsole benötigen Parameter (Puffersysteme und dyn. Verhalten) zum Training ausgewählt werden
o Hierzu werden zwei Wochen Produktionszeiten benötigt.
o Eine Konfigurationstabelle dient als Input für die Algorithmen. Somit erfolgt eine datengetriebene Ermittlung von Einstellparametern an Stelle einer Experten- bzw. Konstruktionsgetrieben Sicht.
Das Werkzeug Labeling-Tool befähigt Anwender, Labels für detektierte Vorfälle zu vergeben und in die weitere Datenverarbeitung zu integrieren
o Hierbei erfolgt eine Visualisierung der Betriebszustände, um Nutzer einzubinden und Vorfälle in Form von Labels (Störverursacher) für das (Nach-)Training von Modellen zu nutzen.
o Das Werkzeug soll eine fortlaufende Verbesserung der Algorithmen unter Einbezug von Mitarbeiter-Wissen ermöglicht.
Zudem wurde das Werkzeug Quality Framework zur Evaluation entwickelt:
o Das Quality Framework unterstützt mit einer automatisierten Auswertung im Vergleich, der durch den Algorithmus ausgewiesenen Stillstandsverursacher mit den Experten-Labels.
o Hierzu sind Mindestanforderung an die Datenpunkte zu erfüllen, die ehemals manuell bereitgestellt und in die Statistik eingepflegt werden mussten.