Selbstdiagnose und Selbstoptimierung technischer Systeme auf Basis datenbasierter Prozessmodelle

Industrielle Automatisierungssysteme werden aufgrund zunehmender Vernetzung und steigender Rechenleistung immer komplexer. Dadurch wird es für das Anlagenpersonal immer komplizierter, Prozessabläufe zu überwachen und zu optimieren. Eine Lösung für diese Problematik stellen intelligente Assistenzsysteme dar, die die Selbstdiagnose und -optimierung technischer Systeme ermöglichen. In diesem Artikel werden verschiedene Assistenzfunktionen dargestellt, die in Form der Toolbox proKNOWS schon heute in industriellen Anwendungen eingesetzt werden. Eine datengetriebene Prozessmodellierung ermöglicht den flexiblen Einsatz der betrachteten Assistenzsysteme in komplexen Automatisierungssystemen. In diesem Ansatz werden Modelle diskreter und kontinuierlicher Prozessanteile, die zur Diagnose und Optimierung verwendet werden, aus Prozessdaten gelernt. Bei großen historischen Datenmengen ermöglicht die MapReduce-Technologie ein effizientes Lernen der Modelle. Zur Erfassung der Daten kommen verschiedene Konnektoren für proprietäre Protokolle und Datenbanken zum Einsatz, die entweder direkt oder über OPC UA an die Analyse-software angebunden werden können. Die Prozessüberwachung und Fehlerdetektion basiert auf dem Vergleich des mittels der gelernten Prozessmodelle prädizierten Prozessverhaltens mit Beobachtungen des tat-sächlichen Prozessverlaufs. Separationsansätze ermöglichen zudem die Zuordnung erkannter Fehler zu einzelnen Systemkomponenten und damit eine genauere Fehlerdiagnose. Darüber hinaus werden die gelernten Prozessmodelle zur Selbstoptimierung technischer Systeme eingesetzt - beispielsweise zur Optimierung industrieller Automatisierungssysteme in Hinblick auf einen energieeffizienten Betrieb. Die beschriebenen Assistenzfunktionen wurden bereits erfolgreich in Automatisierungssystemen der Lemgoer Smart Factory sowie in mehreren Industrieprojekten erprobt.