Logo Logo
Help
Contact
Switch language to German
Laufzeitüberwachung in selbst-organisierenden Industriesystemen
Laufzeitüberwachung in selbst-organisierenden Industriesystemen
Die vorliegende Arbeit liefert Lösungsansätze für die Laufzeitüberwachung eines Selbst-organisierenden industriellen Systems (SOIS). Dazu wird ein Konzept zur Erkennung und Analyse von Anomalien in raumbezogenen Daten mit Hilfe von Substrukturverzeichnissen vorgestellt. Dieser Ansatz ermöglicht es, den aufgrund der Autonomie des Systems enorm großen Zustandsraum nachzubilden und damit Änderungen im Verhalten einzelner Systemteilnehmer oder auch Änderungen mit globalen Auswirkungen zuverlässig zu detektieren. Im Rahmen dieser Arbeit wurde dieses Konzept zunächst für Bewegungsdaten von Objekten mit konstanter Geschwindigkeit, die sich in SOIS mit Fließbandarchitektur ergeben, umgesetzt und umfänglich mit Hilfe von entsprechenden Simulationsmodellen von SOIS evaluiert. In einem weiteren Schritt wurde die Skalierbarkeit der Substrukturextraktion und die Onlinefähigkeit des Rekonstruktionsprozesses diskutiert. Für beide Fälle konnte eine Modullösung erarbeitet werden, die eine effiziente technische Realisierung des vorgestellten Ansatzes ermöglicht. Schließlich wurde im Rahmen dieser Arbeit die Übertragbarkeit des vorgestellten Konzepts auf weitere, komplexere raumbezogene Daten, die in einem SOIS verarbeitet werden, gezeigt. Dafür wurde das Konzept sowohl für Bewegungsdaten von Objekten mit variabler Geschwindigkeit, als auch für zustandsbeschreibende räumliche Schichtmodelle umgesetzt. Die umfänglichen Evaluierungen der beiden Verfahren bestätigen, dass auch in diesem Fall das vorgestellte Konzept das Problem des enorm großen Zustandraums bei der Erkennung und Analyse von Anomalien in SOIS mit Hilfe von Substrukturverzeichnissen löst. Insgesamt liefert die vorliegende Arbeit damit einen wichtigen Beitrag zum Thema Qualitätssicherung in SOIS, da die vorgestellten Lösungsansätze zur Laufzeitüberwachung als Bestandteil eines Qualitätssicherungsprozesses eingesetzt werden können., This work presents solutions for runtime monitoring in self-organizing industrial systems (SOIS). Therefore, a concept for detecting and analysing anomalies in spatial data by using subpattern dictionaries is presented. This approach allows to model the enormous state space caused by the autonomy of such systems, and, by doing this, to detect reliably both, changes regarding the behaviour of single system components, but also changes of global impact. The presented concept was implemented first for moving data of objects with constant velocity, which can be found in SOIS with conveyors, and evaluated extensively based on suitable simulations of such SOIS. Furthermore, as part of this work, the scalability of the subpattern extraction and the online capability of the reconstruction process is discussed. In both cases modular solutions for an efficient realisation of the presented approach were developed. Finally, the transferability of the presented concept to other, more complex spatial data, which have to be processed in a SOIS, is shown. For doing this, the concept was implemented both, for moving data of objects with variable velocity, but also state describing spatial layer models. The evaluation of both methods confirms that also in this case the presented concept solves the problem of the enormous state spaces when detecting and analysing anomalies in SOIS by using subpattern dictionaries. In summary, this work makes an important contribution for quality assurance in SOIS, as the presented solutions can be used for runtime monitoring as parts of the overall quality assurance process.
Anomaly Detection, Autonomous Systems, Runtime Monitoring
Kiermeier, Marie
2019
German
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Kiermeier, Marie (2019): Laufzeitüberwachung in selbst-organisierenden Industriesystemen. Dissertation, LMU München: Faculty of Mathematics, Computer Science and Statistics
[img]
Preview
PDF
Kiermeier_Marie.pdf

4MB

Abstract

Die vorliegende Arbeit liefert Lösungsansätze für die Laufzeitüberwachung eines Selbst-organisierenden industriellen Systems (SOIS). Dazu wird ein Konzept zur Erkennung und Analyse von Anomalien in raumbezogenen Daten mit Hilfe von Substrukturverzeichnissen vorgestellt. Dieser Ansatz ermöglicht es, den aufgrund der Autonomie des Systems enorm großen Zustandsraum nachzubilden und damit Änderungen im Verhalten einzelner Systemteilnehmer oder auch Änderungen mit globalen Auswirkungen zuverlässig zu detektieren. Im Rahmen dieser Arbeit wurde dieses Konzept zunächst für Bewegungsdaten von Objekten mit konstanter Geschwindigkeit, die sich in SOIS mit Fließbandarchitektur ergeben, umgesetzt und umfänglich mit Hilfe von entsprechenden Simulationsmodellen von SOIS evaluiert. In einem weiteren Schritt wurde die Skalierbarkeit der Substrukturextraktion und die Onlinefähigkeit des Rekonstruktionsprozesses diskutiert. Für beide Fälle konnte eine Modullösung erarbeitet werden, die eine effiziente technische Realisierung des vorgestellten Ansatzes ermöglicht. Schließlich wurde im Rahmen dieser Arbeit die Übertragbarkeit des vorgestellten Konzepts auf weitere, komplexere raumbezogene Daten, die in einem SOIS verarbeitet werden, gezeigt. Dafür wurde das Konzept sowohl für Bewegungsdaten von Objekten mit variabler Geschwindigkeit, als auch für zustandsbeschreibende räumliche Schichtmodelle umgesetzt. Die umfänglichen Evaluierungen der beiden Verfahren bestätigen, dass auch in diesem Fall das vorgestellte Konzept das Problem des enorm großen Zustandraums bei der Erkennung und Analyse von Anomalien in SOIS mit Hilfe von Substrukturverzeichnissen löst. Insgesamt liefert die vorliegende Arbeit damit einen wichtigen Beitrag zum Thema Qualitätssicherung in SOIS, da die vorgestellten Lösungsansätze zur Laufzeitüberwachung als Bestandteil eines Qualitätssicherungsprozesses eingesetzt werden können.

Abstract

This work presents solutions for runtime monitoring in self-organizing industrial systems (SOIS). Therefore, a concept for detecting and analysing anomalies in spatial data by using subpattern dictionaries is presented. This approach allows to model the enormous state space caused by the autonomy of such systems, and, by doing this, to detect reliably both, changes regarding the behaviour of single system components, but also changes of global impact. The presented concept was implemented first for moving data of objects with constant velocity, which can be found in SOIS with conveyors, and evaluated extensively based on suitable simulations of such SOIS. Furthermore, as part of this work, the scalability of the subpattern extraction and the online capability of the reconstruction process is discussed. In both cases modular solutions for an efficient realisation of the presented approach were developed. Finally, the transferability of the presented concept to other, more complex spatial data, which have to be processed in a SOIS, is shown. For doing this, the concept was implemented both, for moving data of objects with variable velocity, but also state describing spatial layer models. The evaluation of both methods confirms that also in this case the presented concept solves the problem of the enormous state spaces when detecting and analysing anomalies in SOIS by using subpattern dictionaries. In summary, this work makes an important contribution for quality assurance in SOIS, as the presented solutions can be used for runtime monitoring as parts of the overall quality assurance process.