Industrielles Zeitreihenprojekt zur Anomalieerkennung

BOSCH Predictive Maintenance

Erkennung von Anomalien in Drehmoment-Zeitreihen eines Drahtschneideprozesses mit distanzbasiertem Clustering, Dynamic Time Warping, FastDTW und rekonstruktionsbasierter Deep-Learning-Modellierung mit VAE-LSTM.

Auf GitHub ansehen Zurück zu den Projekten

Kontext

BOSCH-Drahtschneiden

Datentyp

Drehmoment-Zeitreihen

Aufgabe

Anomalieerkennung

Modelle

DTW / FastDTW / VAE-LSTM

Projektüberblick

Dieses Projekt befasste sich mit Predictive Maintenance für einen Drahtschneideprozess in einem industriellen Fertigungskontext. Ziel war es, Drehmomentmessungen über die Zeit zu analysieren und ungewöhnliches Schneidverhalten zu erkennen, das auf Fehler oder Wartungsbedarf hinweisen kann.

Das Projekt verglich mehrere unüberwachte Verfahren zur Anomalieerkennung in Zeitreihen, darunter distanzbasiertes Clustering mit Dynamic Time Warping und rekonstruktionsbasierte Anomalieerkennung mit einem VAE-LSTM-Modell.

Industrielle Motivation

Drahtschneiden ist ein wichtiger Fertigungsprozess, bei dem Qualität und Präzision die Zuverlässigkeit der Endkomponenten direkt beeinflussen. Durch die Überwachung des Drehmomentsignals während des Schneidprozesses kann auffälliges Verhalten erkannt werden, bevor daraus ein größeres Produktions- oder Qualitätsproblem entsteht.

Hauptziel: Anomalien erkennen und Predictive Maintenance im Drahtschneideprozess mithilfe von Drehmoment- und Zeitmessungen unterstützen.

Drahtschneideprozess

Der Schneidprozess umfasst einen Stator nach dem Drahtschneiden, eine Drahtschneidestation und ein Schneidmesser. Während des Prozesses werden Drehmomentwerte über die Zeit aufgezeichnet, um das mechanische Verhalten des Schnitts abzubilden.

Jeder Schneidzyklus enthält zwei Rotationen. Jede Rotation dauert ungefähr 1,5 Sekunden für eine vollständige 360°-Drehung. Die erste 360°-Drehung ist besonders relevant, da sie dem eigentlichen Hauptschneideprozess entspricht.

Datensatz

Die Daten wurden aus dem Drahtschneideprozess gesammelt, in einer Datenbank gespeichert und im JSON-Format exportiert. Die zentrale Messgröße war das Drehmoment, das mit Zeitstempeln in hoher Frequenz aufgezeichnet wurde.

  • Quellformat: JSON-Dateien aus dem industriellen Datensystem.
  • Hauptsignal: Drehmoment während des Schneidprozesses.
  • Messintervall: eine Messung alle 0,004 Sekunden.
  • Zyklusstruktur: zwei 360°-Rotationen pro Schneidprozess.
  • Relevante Spalten: relative Zeit, Winkel, Part ID, Test ID, Drehmoment, Start-/Stoppzeit, Datum und Index nach Part ID.

Datenvorbereitung

Die rohen JSON-Dateien wurden in einem einzigen DataFrame zusammengeführt, um Analyse, Visualisierung und Modellierung zu erleichtern. Eindeutige Identifikatoren wurden ergänzt, damit Winkel- und Drehmomentwerte mit demselben Zeitstempel getrennt verarbeitet und effizient umgeformt werden konnten.

Der bereinigte DataFrame wurde im Parquet-Format gespeichert, um die Speichereffizienz zu verbessern und schnelleres Laden für großskalige Zeitreihenanalysen zu ermöglichen.

Methoden

Das Projekt untersuchte sowohl distanzbasierte als auch rekonstruktionsbasierte Verfahren zur Anomalieerkennung. Das ist sinnvoll, weil industrielle Zeitreihenanomalien entweder als Formunterschiede zwischen Schneidzyklen oder als hohe Rekonstruktionsfehler in einem gelernten Sequenzmodell auftreten können.

Methodengruppe Methode Zweck
Distanzbasiert Time Series K-Means mit DTW Clustering von Drehmomentkurven anhand zeitlicher Formähnlichkeit.
Distanzbasiert Time Series K-Means mit FastDTW Reduktion der Rechenkosten bei DTW-basierter Ähnlichkeitsmessung.
Rekonstruktionsbasiert VAE-LSTM Lernen normaler Sequenzstrukturen und Erkennung von Anomalien über Rekonstruktionsfehler.
Explorativ K-Means, DBSCAN, GMM, Autoencoder Erste Experimente zum Vergleich von Clustering- und Representation-Learning-Ansätzen.

DTW- und FastDTW-Clustering

Dynamic Time Warping wurde eingesetzt, weil es Zeitreihenkurven anhand ihrer Form vergleichen kann, auch wenn Muster zeitlich verschoben oder gestreckt sind. Dies ist für Drehmomentsignale hilfreich, da der genaue Zeitpunkt zwischen Zyklen variieren kann, während die Gesamtform weiterhin aussagekräftig bleibt.

  • DTW: lieferte robusteres formbasiertes Clustering, war jedoch rechenintensiv.
  • FastDTW: verbesserte Laufzeit und Skalierbarkeit, erreichte aber nicht vollständig die Clustering-Qualität von DTW.
  • Clusterinterpretation: Einige Cluster zeigten sichtbare Anomaliemuster, während andere nur geringe Unterschiede aufwiesen.

VAE-LSTM-Rekonstruktionsmodell

Das VAE-LSTM-Modell wurde als rekonstruktionsbasierter Anomaliedetektor eingesetzt. Das Modell lernt, normale Drehmomentsequenzen zu rekonstruieren. Wenn eine Sequenz einen hohen Rekonstruktionsfehler aufweist, wird sie als potenziell anomal betrachtet.

Architektur

  • Encoder: LSTM-Schicht gefolgt von Dense Layers für z_mean und z_log_var.
  • Latent Space: Eine Sampling-Funktion fügt Gaußsches Rauschen hinzu, um stochastische latente Variablen zu erzeugen.
  • Decoder: RepeatVector, LSTM-Schicht und TimeDistributed-Dense-Ausgabe.
  • Loss: Rekonstruktionsverlust plus KL-Divergenz-Verlust.

Ergebnisse

Das VAE-LSTM-Modell erkannte Anomalien anhand des Rekonstruktionsfehlers. Ein Schwellenwert auf Basis des 98. Perzentils wurde verwendet, um Sequenzen mit hohem Fehler als anomal zu markieren. Dadurch entstand eine kompakte Menge an Anomaliekandidaten für die weitere Prüfung.

40,475 Trainingssequenzen für das VAE-LSTM-Experiment.
4,498 Testsequenzen für die Anomalieerkennung.
90 erkannte Anomalien mit dem 98.-Perzentil-Schwellenwert.

VAE-LSTM-Schwellenwert

Der Schwellenwert für die Anomalieerkennung wurde auf ungefähr 0,02536 gesetzt, basierend auf dem 98. Perzentil der Rekonstruktionsfehler. Sequenzen oberhalb dieses Schwellenwerts wurden als Anomalien markiert.

Interpretation

Distanzbasiertes Clustering half dabei, ähnliche Drehmomentkurven zu gruppieren und ungewöhnliche Kurvenformen sichtbar zu machen. Der VAE-LSTM-Rekonstruktionsansatz war nützlich, um Abweichungen von gelerntem Normalverhalten zu erkennen, insbesondere wenn Anomalien als Spitzen im Rekonstruktionsfehler auftreten.

Die Ergebnisse zeigen, dass rekonstruktionsbasierte Anomalieerkennung ein vielversprechender Ansatz für Predictive Maintenance ist, während DTW-basiertes Clustering weiterhin hilfreich bleibt, um formbasierte Gruppen zu verstehen und auffällige Schneidmuster visuell zu untersuchen.

Limitationen und zukünftige Arbeit

Die wichtigste Limitation besteht darin, dass die Anomalieerkennung überwiegend unüberwacht war. Erkannte Anomalien benötigen daher weiterhin fachliche Validierung. Außerdem wurden anomale Sequenzen identifiziert, aber das exakte Zeitfenster innerhalb jeder Sequenz wurde noch nicht lokalisiert.

  • Zukünftige Arbeit sollte das genaue anomale Zeitfenster innerhalb jeder Drehmomentkurve lokalisieren.
  • Forecasting-Methoden könnten ergänzt werden, um vorherzusagen, wann Wartung erforderlich sein könnte.
  • Mehr gelabelte Fehlerfälle würden eine überwachte Evaluation ermöglichen.
  • Feedback von Domänenexpertinnen und -experten würde die Interpretation der Anomalien verbessern.

Ergebnis

Dieses Projekt stärkte meine Erfahrung mit industriellen Zeitreihendaten, Predictive Maintenance, Anomalieerkennung, Sequenzmodellierung und Datenvorbereitung für große Sensordatensätze. Es zeigte außerdem den Wert der Kombination klassischer Zeitreihen-Distanzmethoden mit Deep-Learning-basierten Rekonstruktionsmodellen.

Predictive Maintenance Time Series Anomaly Detection DTW FastDTW VAE-LSTM Industrial Data Torque Signals BOSCH