Ein dynamisches Meta-Lernverfahren für die vorausschauende Instandhaltung - Automatisierte Auswahl von Algorithmen zur multivariaten Anomaliedetektion

Die vorausschauende Instandhaltung zielt darauf ab, den Zustand von Maschinen und Anlagen zu überwachen, um Verschleiß und Störungen zu prognostizieren und Instandhaltungsmaßnahmen effizient durchzuführen. Auf diese Weise können Stillstandszeiten reduziert, die Lebensdauer der Betriebsmittel verlängert und die Gesamtkosten der Instandhaltung gesenkt werden.
Im Zuge der digitalen Transformation und sinkender Kosten für die Erfassung, Übertragung und Auswertung der stetig wachsenden Datenmengen in Produktions- und Logistiksystemen gewinnen datenbasierte Methoden zur Umsetzung vorausschauender Instandhaltungsstrategien zunehmend an Bedeutung. Insbesondere ein hoher Automatisierungs- und Komplexitätsgrad technischer Systeme erfordert innovative Lösungen, um eine hohe Verfügbarkeit zu gewährleisten und international wettbewerbsfähig zu agieren.

Für die praktische Umsetzung einer vorausschauenden Instandhaltung sind maßgeschneiderte Prognosemodelle erforderlich. Zur Konstruktion dieser Modelle stehen eine Vielzahl unterschiedlicher Algorithmen zur Verfügung, die jeweils spezifische Stärken und Schwächen aufweisen. Um bestmögliche Prognoseergebnisse zu erzielen, ist daher eine anwendungsspezifische Auswahl geeigneter Algorithmen und Hyperparameter erforderlich. Dieser Prozess erfordert Expertenwissen und ist mit einem hohen Rechenaufwand verbunden, der wiederholt auftreten kann. Zudem ist die Verfügbarkeit von annotierten Daten, die für die Anpassung und Validierung benötigt werden, in der Praxis oft eingeschränkt, was die Anwendbarkeit datenbasierter Prognosemethoden limitiert.

Um diesen Herausforderungen zu begegnen, wurde im Rahmen der vorliegenden Dissertation ein Verfahren zur automatisierten Auswahl von Algorithmen für die vorausschauende Instandhaltung entwickelt. Dabei wurden wesentliche Anforderungen für eine industrielle Anwendung berücksichtigt, wie z.B. die begrenzte Verfügbarkeit annotierter Daten, die gleichzeitige Überwachung mehrerer diskreter und kontinuierlicher Attribute sowie die Fähigkeit zur dynamischen Anpassung an sich ändernde Betriebsbedingungen. Zentrales Element des Verfahrens ist ein sogenanntes Meta-Modell, das auf Basis vergangener Aufgaben lernt und neben konventionellen Metriken zur Beschreibung von Datencharakteristika auch externes Feedback, z.B. durch produktionslogistische Kennzahlen, integriert. Auf diese Weise ermöglicht es eine automatisierte Auswahl von Algorithmen und eine kontinuierliche Verbesserung der Modellqualität.

Die Evaluation und Validierung des Verfahrens belegt dessen praktische Anwendbarkeit und zeigt eine deutliche Verbesserung der Prognosegüte gegenüber den Referenzverfahren. Unter den untersuchten Rahmenbedingungen konnten robuste und nahezu optimale Ergebnisse erzielt werden, wobei der Rechenaufwand signifikant reduziert wurde.