Immer neue und komplexere Produktionsprozesse stellen Hersteller als auch Betreiber automatisierter Anlagen vor neue Herausforderungen. Um Hochleistungsautomation
weiter zu entwickeln benötigt man ein ausgefeiltes Datenmanagement mit dazu gehöriger Datenanalyse. Zur herkömmlichen deskriptiven Statistik braucht es zukünftig
auch Modelle des maschinellen Lernens. Bei Inbetriebnahme und im laufenden Produktionsbetrieb werden Daten anhand von Alarmen generiert, wie zum Beispiel Warnungen, Status- oder Fehlermeldungen. Bei einer hohen Anzahl von Alarmen sind Zusammenhänge dazwischen oft nicht ersichtlich. Dieses Projekt versucht Zusammenhänge zwischen den unterschiedlichen Alarmen zu finden, um einerseits die Anzahl der Alarme zu reduzieren und andererseits Handlungsvorschläge bei bestimmten Alarmen zu generieren. Da Beschreibungen der Fehlermeldungen in natürlicher Sprache verfasst sind sollen auch Natural Language Processing Methoden zum Einsatz kommen.
Folgende Tätigkeiten sind im Projekt durchzuführen und die Ergebnisse in einer wissenschaftlichen Arbeit festzuhalten:
- Finden passender Verfahren und Algorithmen
- Alarmreduktion durch Clustering
- Analyse der Alarmbeschreibungen mit Natural Language Processing Methoden
- Modelle trainieren und evaluieren
- Prototypische Implementierung der Modelle in einer maschine learning pipeline
- Anwendung und Vergleich der Algorithmen
- Programmiersprache Python oder R
- Keine Einschränkung bei Verwendung von Frameworks bzw. Bibliotheken (Tensorflow, Keras oder Scikit-learn)
- Alarmreduktion, um Fokus auf das Wesentliche zu lenken
- Abhängigkeiten der Alarme finden
- Entwicklung eines KI-Expertensystems zur Generierung von Handlungsvorschlägen.
Infos erhalten Sie bei DI Dr. Stefan Stricker:
Tel.: +43 7674 603-6134
E-Mail:
Website: www.stiwa.com