PUB - Implementation of Variational Autoencoder for Dimension Reduction of a Hydraulic System

 

In der Produktion sind Sicherheit und Effizienz zwei wesentliche Faktoren, die gewährleistet werden müssen. Für eine gut organisierte Produktionsstrategie muss der Zustand der Anlage gut überwacht werden. Im wirklichen Leben regelmäßig, im Falle von defekten Komponenten. Diese müssen dann ausgetauscht werden, um mögliche Risiken für die Produktion zu vermeiden. In den letzten Jahren wurde die datenbasierte Zustandsüberwachung auf fluidtechnische Systeme angewandt.

 

Inhalt

Autoren: Brumand-Poor, Faras; Makansi, Faried; Liao, Jiakun; Schmitz, Katharina

Hydraulische Systeme sind oft mit einer großen Anzahl
Aktoren und Sensoren ausgestattet, die das System überwachen und regeln. Für eine kontinuierliche Überwachung muss eine große Menge an Daten
aufgezeichnet und häufig gespeichert werden. Vorhersagen auf der Grundlage dieser großen Datenbasis sind oft nicht direkt vom Menschen nachvollziehbar und müssen vorverarbeitet werden. Mit der Entwicklung der Rechenleistung wird das maschinelle Lernen zu einem vielversprechenden Ansatz zur Bewältigung dieser riesigen Datenmengen und bietet eine eine mögliche Lösung für die automatisierte Verarbeitung von Rohdaten. In dieser Arbeit wird ein tiefes Modell für unüberwachtes Lernen (UL) entwickelt,
der Variationale Autoencoder (VAE), und implementiert. Der VAE
wird für die Reduktion von hochdimensionalen Zeitreihen einer
Simulation eines Referenzsystems, einer hydraulischen Presse genutzt. Um die
Zeitabhängigkeit des Datensatzes zu ermitteln, enthält der VAE Long Short Term Memory (LSTM). Die hochdimensionale Eingangsdatenmatrix wird durch den ersten Teil der VAE, den Encoder, komprimiert. Diese niedrigdimensionale Darstellung der Zeitreihe wird dann von dem Gegenstück des Encoders, dem Decoder, verwendet,
um die ursprüngliche Zeitreihe zu rekonstruieren. Die VAE erreicht eine
Kompressionsrate von 99,94 % mit einer geringen Abweichung von der
von der ursprünglichen Eingabe. Dieser Beitrag zeigt die Möglichkeiten
der Komprimierung großer Daten aus einem hydraulischen System in eine niedrige
dimensionale Darstellung. Die komprimierten Daten können verwendet werden als
Algorithmen für die Zustandsüberwachung (CM), mit dem Vorteil, dass sie keine redundanten Informationen enthalten.