Anomaly detection and event mining in cold forming manufacturing processes
Abstract
Predictive maintenance is one of the main goals within the Industry 4.0 trend. Advances in data-driven techniques offer new opportunities in terms of cost reduction, improved quality control, and increased work safety. This work brings data-driven techniques for two predictive maintenance tasks: anomaly detection and event prediction, applied in the real-world use case of a cold forming manufacturing line for consumer lifestyle products by using acoustic emissions sensors in proximity of the dies of the press module. The proposed models are robust and able to cope with problems such as noise, missing values, and irregular sampling. The detected anomalies are investigated by experts and confirmed to correspond to deviations in the normal operation of the machine. Moreover, we are able to find patterns which are related to the events of interest.
Keywords Predictive maintenance · Anomaly detection · Association rule mining · Multivariate data · Matrix profile
1 Introduction
In recent years, there has been an increased interest in analysis tools for industrial applications. Within Industry 4.0, one of the goals is combining sensor technologies with data analysis tools in order to improve the manufacturing process. In general, predictive maintenance (PdM) focuses on diagnosing the machine status and providing insights about its current and future conditions. In this paper, we analyze two key aspects of PdM: online anomaly detection (AD) and event prediction on a cold forming manufacturing line.
The cold forming line is equipped with acoustic emission sensors (AE) that provide high-frequency information about the mechanical conditions of the press components. This type of sensors has previously been used to investigate failure modes of mechanical components under laboratory settings [4, 7]. In contrast, this work focuses on analyzing the signal under real operation conditions, which poses challenges in the data quality and model capabilities. In particular, the data is challenging as samples are discontinuous and sampled at irregular intervals. This, in turn, prevents the usage of standard time series analysis approaches. Other problems which are also addressed include presence of noise, sensors getting disconnected, logging errors, and constant stops and restarts of the machines due to production bottlenecks.
Anomalies are events that do not conform to the normal or expected behavior of a process. Their correct detection is useful as it can uncover events of interest. In the manufacturing industry, AD provides benefits in terms of quality control, safety, and reduction of costs due to unexpected breakdowns. Fault prediction aims to discover early signs that an error will occur and to report them in terms of probability of the error occurring or a time interval in which it will occur. Fault prediction provides benefits, as it enables the optimization of maintenance schedules.
Traditional AD algorithms use statistical approaches to find extreme values or correlation changes between features
[9]. This leaves a considerable gap in scenarios where anomalies are not necessarily linked to extreme values, or where their statistical properties do not diverge considerably from the norm. There exists extensive literature in the detection of analysis in online settings [1] and multivariate cases [9], but their application in industrial settings is still limited. More specifically, an unsupervised AD approach based on the micro-cluster continuous outlier detection (MCOD) algorithm [13] is evaluated on the same industrial use case as of the current work [18].
The AD approach is based on matrix profile (MP) [22], which is a method for time series analysis that is robust, domain-agnostic, and computationally efficient. Compared with previous approaches, it offers the following advantages:
- Requires a short warm-up time and no historical data to give reliable results.
- Provides a bounded and intuitive anomalous score.
- Can be calculated in real-time as it is not computationally intensive.
- Can handle non-uniform sampling.
Fault prediction in industrial applications using wave signals, such as vibration and acoustic emission, has been applied for valves [2], reciprocating machines [6], diesel engines [5], indenters [19], conveying systems [20], and other rotating components [20, 21]. Traditional approaches focus on the analysis of temporal and frequency features in combination with statistical testing. More recently, datadriven methods such as self-organizing maps [21], support vector machines [2], and deep learning [14] have been investigated. In our approach, we present a model for event prediction, where event refers to not only fault events, but also events which may not be associated to an error but are of interest for PdM.
The event prediction is based on a combination of salient subsequence mining, clustering, and association rules. It is generic enough to deal with different types of sensor data, with non-uniform sampling, and requires few finetuning of parameters. Compared with previous work, we are handling data in industrial settings in comparison with approaches done under controlled experimental settings. In our literature review, only the work from Varga et al. [20] handles real industrial conditions, but for a different type of machinery and without classifying the different types of faults. To the best of our knowledge, we are the first to present methods using AE for PdM in cold forming lines. State of the art machine learning techniques rely on data abstractions which reduce interpretability. In recent years, there has been an increased demand of interpretable models within different industrial sectors [12]. By using association
剩余内容已隐藏，支付完成后下载完整资料
冷成型制造过程中的异常检测和事件挖掘
迭戈·尼维斯·阿文达诺1 Daniel Caljouw2 Dirk Deschrijver1 Sofie Van Hoecke1
摘要
预测性维护是工业4.0趋势中的主要目标之一。数据驱动技术的进步为降低成本，改善质量控制和提高工作安全性提供了新的机遇。这项工作带来了数据驱动技术，可用于两项预测性维护任务：异常检测和事件预测，通过在冲压机模具附近使用声发射传感器，将其应用于消费类生活方式产品的冷成型生产线的实际使用案例中模块。所提出的模型是健壮的，并且能够解决诸如噪声，缺失值和不规则采样之类的问题。检测到的异常将由专家进行调查，并确认与机器正常运行中的偏差相对应。此外，我们能够找到与关注事件相关的模式。
关键词预测性维护异常检测关联规则挖掘多元数据矩阵轮廓
介绍
近年来，人们对用于工业应用的分析工具越来越感兴趣。在Industry 4.0中，目标之一是将传感器技术与数据分析工具结合起来，以改善制造过程。通常，预测性维护（PdM）专注于诊断机器状态并提供有关其当前和未来状况的见解。在本文中，我们分析了PdM的两个关键方面：在线异常检测（AD）和冷成型生产线上的事件预测。
冷成型线配备了声发射传感器（AE），可提供有关压力机部件机械状况的高频信息。这种类型的传感器以前曾用于研究实验室设置下机械部件的故障模式[4，7]。相比之下，这项工作着重于分析实际操作条件下的信号
迭戈·尼维斯·阿文达诺diego.nievesavendano@ugent.be
丹尼尔·卡尔乔（Daniel Caljouw）daniel.caljouw@philips.com
1 根特大学IDLab-比利时根特imec
2 飞利浦消费者生活方式有限公司，荷兰埃因霍温
数据质量和模型功能方面的挑战。尤其是，由于样本是不连续的并且以不规则的间隔进行采样，因此数据具有挑战性。反过来，这阻止了标准时间序列分析方法的使用。还解决的其他问题包括噪音的存在，传感器断开连接，记录错误以及由于生产瓶颈而导致机器不断停止和重启的问题。
异常是不符合流程正常或预期行为的事件。正确检测它们很有用，因为它可以发现感兴趣的事件。在制造业中，AD可以在质量控制，安全性以及由于意外故障而降低成本方面带来好处。故障预测旨在发现错误将要发生的早期迹象，并根据发生错误的可能性或发生错误的时间间隔来报告错误。故障预测可以带来好处，因为它可以优化维护计划。
传统的AD算法使用统计方法来查找特征之间的极值或相关性变化[9]。在异常不一定与极端值相关联或异常的统计属性与正常值差异不大的情况下，这会留下很大的差距。在在线设置[1]和多变量案例[9]中检测分析方面存在大量文献，但是它们在工业设置中的应用仍然受到限制。更具体地说，一种基于微集群连续离群值检测的无监督AD方法
英特 J 阿德夫马努夫技术
（MCOD）算法[13]在与当前工作[18]相同的工业用例上进行了评估。
AD方法基于矩阵配置文件（MP）[22]，这是一种用于时间序列分析的方法，具有鲁棒性，领域不可知性和计算效率。与以前的方法相比，它具有以下优点：
- 需要较短的预热时间，并且没有历史数据才能提供可靠的结果。
- 提供有限且直观的异常分数。
- 由于不需要大量计算，因此可以实时计算。
- 可以处理非均匀采样。
在工业应用中，使用波动信号（例如振动和声发射）的故障预测已应用于阀门[2]，往复机[6]，柴油发动机[5]，压头[19]，输送系统[20]等旋转部件[20、21]。传统方法着重于结合统计测试对时间和频率特征进行分析。最近，研究了数据驱动的方法，例如自组织图[21]，支持向量机[2]和深度学习[14]。在我们的方法中，我们提供了一个事件预测模型，其中事件不仅指故障事件，而且还指可能与错误无关但PdM感兴趣的事件。
事件预测基于显着子序列挖掘，聚类和关联规则的组合。它具有足够的通用性，可以使用不均匀的采样来处理不同类型的传感器数据，并且几乎不需要参数的微调。与以前的工作相比，与在受控实验设置下完成的方法相比，我们正在工业设置下处理数据。在我们的文献综述中，只有Varga等人的工作。 [20]处理实际的工业条件，但适用于其他类型
机械，并且没有对不同类型的故障进行分类。据我们所知，我们是第一个介绍在冷弯生产线中使用AE进行PdM的方法。最先进的机器学习技术依赖于数据抽象，这降低了可解释性。近年来，不同工业领域对可解释模型的需求不断增长[12]。通过使用关联规则，可以轻松地检索出表示未来故障的声学模式。
本文的组织方式如下：第2节介绍了用例和数据表示。第三部分介绍了基于矩阵轮廓的异常检测方法和基于关联规则的事件预测方法。第4节介绍了结果。第5节讨论了结果和经验教训。最后，第6节包含结论。
冷成型工艺
在这项工作中研究的实际用例与荷兰的飞利浦生产线相对应。数据属于消费品生活方式产品的冷成型线。图1显示了数据收集方案。
数据是在正常操作条件下收集了一年以上的时间。数据包括物料批次信息，压力机模块的传感器以及预防性和纠正性维护的信息。表1总结了组件和检索到的信息。
压机模块由一个主转子和6个冲模组成，这些冲模可对金属条进行切割或压扁。感兴趣的管芯包含声学传感器或位置传感器，或两者。位置传感器位于下模内，并测量脱模板的正确位置。
图1冷加工图。蓝色的圆柱体对应于声发射传感器的位置。绿色三角形对应于位置传感器的位置。压机模块内的每个模具都可以切割（C），压平（F）或同时切割（CF）。压后
模块，生产线将继续执行最终产品的进一步步骤。维护日志和模具日志分别提供有关压力机组件状态和维护的信息
表1制造阶段和检索到的信息
阶段 信息
速度是恒定的，角度位置大约等于时间。大小（y轴）直接相关
施加在传感器主轴上的剪切力和张力
金属给料机 卷轴ID
压力 模具位置在7个位置
6处声发射
维护 模具日志维护日志
当模具内部有废料时，脱模器的位置会发生偏差。为了防止损坏，位置传感器触发机器的停止。 AE传感器位于模具的附近。他们测量通过管芯传播的声波。这项工作的目的是分析AE信号，以洞悉机器状态。表2总结了芯片功能和可用的传感器。
声发射信号
冷成型压力机包含六个AE传感器。这些传感器沿宽频谱记录声音信息。 AE信号的变化可能与逐渐的机械变化（例如，由摩擦和机械降级引起的那些变化）以及由意外事件（例如，材料堵塞）引起的突然变化相关。
在低频频带（lt;2 kHz）中测量声发射，进行滤波，然后针对主要旋转分量的特定位置提取时间特征。出于知识产权原因，未公开提取的时间特征。图2显示了六个传感器中每个传感器的通用模式。 x轴不是时间，而是主转子的角度。在正常操作条件下，
表2压力机组件和传感器
|
成分 |
声传感器名称 |
模具类型 |
位置传感器 |
|
内存 |
内存自动曝光 |
– |
– |
|
住房 |
G0不良事件 |
– |
– |
|
第一次死 |
G2不良事件 |
C |
有 |
|
第二死 |
G3声发射 |
F |
无 |
|
第三 |
– |
C |
有 |
|
第四死 |
– |
F |
无 |
|
第五死 |
G4不良事件 |
F |
不 |
|
第六 |
七国集团AE |
C F |
是的 |
C切削，F展平
有一个任意单位。
为了减小数据大小，每分钟仅保留一个样本。由于传感设备的限制，样本分布不均匀。后续样本之间的中值差异为63 4.44 s（中值和中值绝对偏差）。不管非均匀采样，我们的方法都是灵活的，不需要连续测量信号。
plusmn;
停止和维护事件
压机模块配备有传感器，这些传感器可在故障情况下自动停止压机。可能由于润滑问题或存在双重材料而触发停止。如表2所示，可以在四个模块中检测到双重材料。
此外，还有一些维护事件，这些事件是在检测到印刷机故障或产品质量偏差之后执行的。维护事件与特定的模具模块相关联，并手动报告。我们专注于两种类型的维护事件：废料返回模具以及由于冲头断裂或钝头而导致的切割故障。
总共有四种不同类型的关注事件：两个停止事件和两个维护事件。对于本文的其余部分，无论它们的类型如何，我们都将其称为感兴趣的事件。
- 方法
本节介绍了AD模型和规则挖掘模型的方法。图3显示了数据流和处理。首先，如第3.1节所述，使用矩阵轮廓将声发射转换为元时间序列。然后在两个分支中处理此信息：第3.2节中描述的在线运行的AD模型，以及第3.3节中描述的由三个模块组成的事件预测。一旦检测到异常或标记了异常，就可以将其传递到规则挖掘模块，以学习异常和感兴趣事件之间的模式。
在线矩阵配置文件
MP是一种数据挖掘技术，允许以直观的方式分析时间序列[22]。它专注于
国际进阶制造技术
图2与每个声传感器相对应的模式
全对相似性搜索的问题，其中找到集合中每个对象的最近邻居。该算法仅需要两个参数：窗口长度（m）和距离函数。参数m定义为相同的角度位置数（m 500）。所使用的距离函数是z归一化的欧几里得距离，当对图案形状感兴趣时，无论其大小如何，这都是一个较好的度量。该算法的输出是两个元时间序列，一个是MP，它包含到最近邻居的距离；另一个是轮廓索引（PI），它包含最近邻居的位置。
=
传统MP要求时间序列是连续的并且要进行均匀采样。在这种使用情况下，信号以不均匀的间隔进行二次采样。因此，问题就以另一种表示形式提出：时间序列X由D个维度组成，每个维度对应一个AE传感器，N个样本，每个样本
对应于完整的打孔记录，M个属性对应于每个角度的大小。因此，Xisin;
RDtimes;N times;M。在这种情况下，D 6, M 500.一个新的样本
x R6times;1times;500大约每分钟到达。
isin;
= =
我们在以下方面修改原始矩阵配置文件：
- 排除区域对应于要忽略的完整打孔次数。这不同于原始方法，在原始方法中，禁区对应于要排除的时间步数。
- 仅计算左MP，这对应于当前样本与先前接收的样本的比较。这样可以在在线设置中使用该方法。
- 我们定义一个界限值以限制与输入样本进行比较的先前样本的数量。对于所有实验，将边界设置为1800个样本，大约相当于之前的30小时。这样可以减少计算时间，同时仍能很好地逼近MP，而不会降低AD功能。
图3异常检测和关联规则模型的数据源和处理
英特 J 阿德夫马努夫技术
算法 1 提供了计算在线 MP 和 PI 的代码。
每个通道并定义一个阈值。另外，MP可以在尺寸上求和，并在缩小的MP上检测AD [24]。 z归一化
可以总结为
原始信号的大小。万一想要
为了给一个特定的渠道更多的焦点，总和可以加权。
在此用例中，异常未标记。因此，不能以简单的方式定义 MP 中的阈值值。相反，使用统计方法。计算MP和总结MP每个通道的运行平均值和标准偏差，阈值区间定义为平均nsigma;。与n，要考虑作为容差限制的偏差数量。如果其 MP 值超出频段，则冲孔被视为异常。图4 显示移动平均线和6sigma;波段为 8 天。绘图中的间隙是由机器中的停止引起的。当机器重新启动时，MP 将因缺少可比较的样品而处于高位。为了避免将这些事件标记为异常事件，滚动平均值仅在至少 10 个样本到达后才考虑。
plusmn;
plusmn;
3.
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[407532]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
