Ansätze zur Kombination modell- und datenbasierter Methoden für die Prozessüberwachung und Fehlerdiagnose

Die Überwachung technischer Systeme spielt eine zentrale Rolle, um die Sicherheit, Funktionsfähigkeit und Gesamtanlageneffektivität in der Produktion zu garantieren. Die Prozessüberwachung umfasst die Detektion und Ursachenanalyse von Fehlern sowie die Überwachung qualitätsrelevanter Größen durch modell- oder datenbasierte Methoden.
Ziel dieser Arbeit ist die Entwicklung von Ansätzen zur Kombination modell- und datenbasierter Methoden, um deren Vorteile zu vereinen. Dafür werden bipartite Graphen betrachtet, welche die Faktorisierung des dynamischen Systems beschreiben. Die Faktorisierung ermöglicht eine verteilte Prozessüberwachung und die Eingrenzung detektierter Fehler auf Teilsysteme. Die Struktur bipartiter Graphen ergibt sich durch physikalische Modelle, Expertenwissen oder der Transinformation. Für die Parametrierung der Struktur werden physikalische Modelle wie auch latente Variablenmodelle in Form der probabilistischen Hauptkomponentenanalyse oder Gaußschen Mischmodellen verwendet. Die Quantifizierung der Detektierbarkeit von Fehlerfällen erfolgt über die Kullback-Leibler-Divergenz.
Die Ansätze werden auf verschiedene Problemstellungen der Prozessüberwachung angewandt und anhand von Beispielsystemen simulativ wie auch experimentell validiert. Am Beispiel einer adaptiven Hochhausstruktur wird die Fehlerdiagnose von Aktor- und Sensorfehlern betrachtet. Weitere Anwendungsbeispiele sind die Identifikation von Fehlerzuständen aus undokumentierten Messdaten einer Vorbehandlungsanlage, die Anomalieerkennung in Zuluftanlagen sowie die Berechnung und Vorhersage qualitätsrelevanter Größen im Trockner einer Lackiererei. Abschließendes Anwendungsbeispiel ist die Identifikation von Zusammenhängen zwischen Prozessgrößen und Qualitätsproblemen für deren Vorhersage.