AVA: Abstraktion von Verhaltensmodellen für Anlagen des Maschinenbaus aus Messungen in verteilten Automatisierungssystemen

Motivation: In der Automatisierungstechnik existieren seit längerem Methoden (i) zur Erfassung des Gesamtzustandes von produktions- und verfahrenstechnischen Anlagen und (ii) zur frühen Erkennung von Verschleißerscheinungen und Anomalien. In diesem Projekt werden diese Ansätze erweitert: Zum einen werden verteilte Automatisierungssysteme zur Datenerfassung genutzt. Zum anderen kommen zur Anomalieerkennung neue Ansätze aus der Informatik wie z.B. das automatische Lernen bzw. Parametrisieren von Anlagen- und Prozessmodellen für die Modellbasierte Diagnose zum Einsatz.

Projektziele und Forschungsaktivitäte: Um eine hohe Anlagenauslastung und kurze Wartungszeiträume zu erreichen, sollten Verschleißerscheinungen möglichst früh erkannt werden. Heutige, auf Schwellwerten basierende Verfahren, können dies oft nicht leisten. Bediener erkennen dadurch schleichende, auf zukünftige Probleme hindeutende Verhaltensveränderungen oft erst zu spät; dies führt u.U. zu hohen Wartungskosten und längeren Ausfallzeiten. Hier setzt das Projekt mit dem Einsatz komplexerer, dynamischerer Modelle des Normalverhaltens an.

Die Modelle des Normalverhaltens werden im Betrieb der Anlage automatisch, basierend auf Beobachtungen, erlernt. In diesem Projekt sollen Algorithmen entwickelt werden, die die Modelle in Form von hybriden temporalen endlichen Automaten erlernen. Die gelernten Modelle werden anschließend für die Anomalieerkennung verwendet, indem die Prognose des gelernten Modells mit der laufenden Anlage verglichen wird. Bei einer Abweichung wird ein Fehler signalisiert.