Institutsteil für industrielle Automation INA 
Herausforderung
Industrielle Produktionsanlagen, insbesondere Anlagen des Sondermaschinenbaus, zeichnen sich durch eine steigende Komplexität hinsichtlich Konfiguration und Bedienung aus. Daher entstehen immer mehr intelligente Assistenzsysteme, die die Anlagenbetreiber dabei unterstützen, Fehler und Anomalien in industriellen Prozessen frühzeitig zu erkennen, Prozessabläufe zu optimieren und die Ressourceneffizienz zu verbessern. Dies ist für die Betreiber von erheblicher finanzieller Bedeutung: So kostet beispielsweise der Ausfall einer Spritzgussmaschine im Mittel zwischen 10.000€ und 40.000€ pro Stunde. Ist eine defekte Maschine Teil einer Produktionskette, z.B. im Automobilbau, können die Kosten eines Ausfalls sogar schnell in den Millionenbereich gehen. Diese Kosten können durch den Einsatz von Predictive Maintenance und Condition Monitoring Systemen (CMS) erheblich reduziert werden. Die Herausforderungen beim Einsatz von CMS bestehen darin, dass verfügbare Systeme bei weitem noch nicht in der Lage sind, den Anlagenzustand in jeder Betriebssituation hinreichend genau zu beurteilen. Zudem existieren in der industriellen Praxis große Hürden bei der Implementierung und Inbetriebnahme eines CMS, da in der Regel eine aufwendige Programmierung bzw. Konfiguration zur Adaption des CMS an die jeweilige Anlage erforderlich ist. Besonders ausgeprägt ist diese Problematik im Sonderanlagenbau, wo Anlagen für unterschiedliche Wirtschaftszweige entwickelt und jede Anlage und damit auch jedes CMS kundenindividuell implementiert und angepasst werden muss.
Lösungsansatz
In dem Projekt CLArA wird ein selbstlernendes CMS für komplexere Produktionsanlagen und insbesondere auch für Anlagen des Sondermaschinenbaus entwickelt. Ein solches System soll sich durch den Einsatz von maschinellen Lernverfahren automatisch an existierende Anlagen anpassen sowie Anomalien und Fehlerursachen auf der Grundlage einer gelernten Repräsentation des Systemverhaltens detektieren. Dies soll dadurch erreicht werden, dass in einer Trainingsphase Analyse- und Diagnosemodelle aus historischen Prozessdaten gelernt und während des Betriebs des CMS zur Anomalie-Erkennung und zur Diagnose von Fehlerursachen verwendet werden. Auf diese Weise soll es dem Anwender ermöglicht werden, das CMS ohne aufwendige Programmierung und Konfiguration in verschiedenen Anlagen einzusetzen. Dadurch sollen die Entwicklungs- und Inbetriebnahmekosten für CMS erheblich reduziert werden und insbesondere ein wirtschaftlicher Einsatz in kundenspezifischen Anlagen, die nur in kleinen Stückzahlen produziert werden, erreicht werden. Wissenschaftliche Fragestellungen ergeben sich hinsichtlich der Skalierung existierender selbstlernender Anomalie-Erkennungsverfahren auf komplexe Produktionsanlagen sowie mit Blick auf die Entwicklung selbstlernender Diagnosemethoden zur Identifikation von Fehlerursachen.