Anomalieerkennung in Zeitreihendaten am Beispiel von Produktionsdaten von oee.ai

Abstract

Die Industrie generiert eine immens große Menge an Daten, die oft ungenutzt bleibt. Obwohl fortschrittliche mathematische Methoden dasDie Industrie generiert eine immense Menge an Daten, die jedoch oft ungenutzt bleiben. Eine manuelle Analyse dieser Daten ist in der Regel mit einem hohen Aufwand sowie mit hohen Kosten verbunden. Obgleich fortschrittliche mathematische Metho- den und maschinelle Lernmodelle das Potenzial bieten, Probleme durch die Analyse dieser Daten zu identifizieren und zu lösen, zeigen sich viele Unternehmen zurück- haltend bei der Implementierung dieser Technologien. Der wesentliche Grund hierfür ist der immense Aufwand für die Datenaufbereitung.

Die vorliegende Arbeit befasst sich mit der Entwicklung und Evaluierung eines Klassifizierers zur Anomalieerkennung. Das Ziel dieser Arbeit besteht in der Identifikation und Implementierung statistischer Methoden, welche die Erkennung von Anomalien in Maschinenstillständen ermöglichen. Dabei soll der entwickelte Prototyp den gege- benen Praxisanforderungen gerecht werden. Die Implementierung des Klassifizierers wird in aller Ausführlichkeit dargelegt, wobei sowohl die theoretischen Grundlagen als auch die praktischen Herausforderungen bei der Entwicklung erörtert werden.

Im Anschluss an die Entwicklung des Prototyps erfolgte eine Evaluierung desselben anhand von Produktionsdaten, welche von zwei Kunden des Unternehmens oee.ai stammen. Der F1-Score wurde als Metrik zur Bewertung der Leistung des Klassifizie- rers verwendet. Die Ergebnisse dieser Evaluation legen nahe, dass keine der unter- suchten statistischen Methoden universell zur Anomalieerkennung in der Praxis ver- wendet werden kann. Für eine industrielle Anwendung der untersuchten Methoden bei oee.ai sind nach den vorliegenden Erkenntnissen weitere Anpassungen am Prototyp erforderlich, um eine verlässliche Genauigkeit sicherzustellen.