AGATA – Lernen von Verhaltensmodellen zur Fehlerfrüherkennung in der Landwirtschaft

Im Verbundprojekt AGATA soll ein selbstlernendes Assistenzsystem entwickelt werden, das durch die Beobachtung komplexer Verarbeitungsprozesse in Industrie und Landwirtschaft Zusammenhänge ermittelt und so Fehler, Anomalien und Optimierungsbedarf automatisch erkennt. Dazu realisieren die einzelnen Projektpartner verschiedene Teilvorhaben:

Das Fraunhofer IOSB entwickelt modellbasierte Verfahren zur Überwachung komplexer Verarbeitungsprozesse in Industrie und Landwirtschaft. Die Schwerpunkte liegen dabei auf der Entwicklung automatischer Verfahren zum Lernen komplexer Prozessmodelle und auf Verfahren zur modellbasierten Anomalieerkennung.
Das DFKI entwickelt Verfahren zur Erkennung von Anomalien auf Rohdaten, ohne dass detailliertes Prozess- oder Modellwissen zugrunde liegt. Dabei werden Strukturen und Zusammenhänge von Merkmalen auf Ausreißer hin untersucht und die wesentlich beitragenden Merkmale gefunden.
Als Grundlage für die im Projekt entwickelten modellbasierten Verfahren müssen die Prozessrohdaten hochgenau erfasst werden. Hilscher entwickelt hierzu die notwendige Technologie.
Eine zunehmend heterogene Systemlandschaft und ein ständig steigender Automatisierungsgrad von Anlagen erfordern innovative Assistenzsysteme und Plant Asset Management (PAM)-Lösungen. Dabei kommt der Überwachung und Diagnose von Apparaten, Geräten und Automatisierungstechnik eine Schlüsselrolle zu. Dafür stehen eine Vielzahl von Informationen zur Verfügung. Um diese in vollem Umfang nutzbar zu machen, hat die Bayer Technology Services (BTS) in Zusammenarbeit mit dem IOSB bereits erste Schritte unternommen. Im Rahmen des Projekts sollen diese konsequent weiterentwickelt werden.
CLAAS-Landmaschinen sind an telematische Systeme des Herstellers angebunden, um auf Basis erfasster und aufbereiteter Prozessdaten die Produktivität und Instandhaltung zu verbessern. Zur Verringerung der Lücke zwischen installierter und realisierter Leistung soll auf der Grundlage der bestehenden Telematik-Lösung (CLAAS-Telematics) die Fähigkeit zur Analyse der Daten durch Einführung und Anwendung von Data-Mining-Methoden verbessert werden.
Abfallströme verändern sich in ihrer heterogenen Zusammensetzung, Korngrößenverteilung sowie in ihren Störstoffanteilen ständig. Eine laufende Prozesskontrolle im Sortierprozess ist daher wichtig. Tönsmeier arbeitet daran, derartige Änderungen unter Einbeziehung der bereits vorliegenden Sensordaten sowie zusätzlicher Sensorik frühzeitig zu erkennen.

Quelle: Lernende Systeme – Plattform für künstliche Intelligenz