Options
2024
Journal Article
Titel
Fault detection in automated production systems based on a long short-term memory autoencoder
Alternative
Fehlererkennung in automatisierten Produktionssystemen auf der Grundlage eines Long Short-Term Memory Autoencoders
Abstract
In this paper, a hybrid model of regularized Long Short-Term Memory (LSTM) and autoencoder for fault detection in automated production systems is proposed. The presented LSTM autoencoder is used as a stochastic process model, which captures the normal behavior of a production system and allows to predict the probability distribution of sensor data. Discrepancies between the observed sensor data and the predicted probability density distribution are detected as potential faults. The approach combines the advantages of LSTMs and autoencoders: The correlations between individual sensor signals are exploited by an autoencoder, while the temporal dependencies are captured by LSTM neurons. A key challenge in training such a process model from historical data is to control the information passed through the latent space of the autoencoder. Different regularization methods are investigated for this purpose. Fault detection with the proposed LSTM autoencoder has been evaluated on the use case of an industrial penicillin production, achieving significantly improved results in comparison to the baseline LSTM.
;
In diesem Beitrag wird ein hybrides Modell aus einem Long Short-Term Memory (LSTM) Modell und einem Autoencoder zur Fehlererkennung in automatisierten Produktionssystemen untersucht. Der untersuchte LSTM-Autoencoder wird als stochastisches Prozessmodell verwendet, welches das Normalverhalten eines Produktionssystems nachbildet und die Vorhersage der Wahrscheinlichkeitsverteilung von Sensordaten ermöglicht. Diskrepanzen zwischen den beobachteten Sensordaten und der vorhergesagten Wahrscheinlichkeitsverteilung werden als potentielle Fehler erkannt. Der Ansatz kombiniert die Vorteile von LSTMs und Autoencodern: Die Korrelationen zwischen einzelnen Sensorsignalen werden von einem Autoencoder ausgenutzt, während zeitliche Abhängigkeiten in den versteckten Zuständen der LSTM-Neuronen gespeichert werden. Eine zentrale Herausforderung beim Training eines solchen Prozessmodells aus historischen Daten ist die Regularisierung des Latenzbereichs, wozu verschiedene Methoden in diesem Paper untersucht werden. Die Fehlererkennung mit dem vorgeschlagenen LSTM-Autoencoder wurde am Anwendungsfall einer industriellen Penicillin-Produktion evaluiert, wobei im Vergleich zu einem herkömmlichen LSTM deutlich bessere Ergebnisse erzielt wurden.