Auswertung vorhandener Sensordaten mit MatLab

17.11.2020

1. Einleitung

Im Rahmen des Projektes „Optimierung von Prozessen und Werkzeugmaschinen durch Bereitstellung, Analyse und Soll-Ist-Vergleich von Produktionsdaten“ (OBerA) der Hochschule Würzburg-Schweinfurt wurden Sensordaten einer CNC-Maschine eines mittelständischen Komponentenherstellers erhoben. Mithilfe von Machine-Learning Algorithmen und der Software MatLab soll auf aufgrund dieser Daten eine automatische Rüstzeiterkennung erfolgen.

Die Daten werden in einer MySQL Datenbank gespeichert und mithilfe von MySQL-Workbench exportiert. Anschließend werden die Daten mit Excel vorverarbeitet und in MatLab importiert. Dort kommt die App „Classification Learner“ zum Einsatz, um einen geeigneten ML-Algorithmus zu ermitteln und die Rüstzeiten zu identifizieren.

2. Export aus Datenbank

Um eine Auswertung zu ermöglichen, werden die benötigten Sensordaten mithilfe der Software MySQL Workbench 8.0 abgefragt und im CSV-Format exportiert. So sind analog zu Abbildung 1 diverse SQL-Abfrage durchzuführen (Schritt 1) und anschließend die abgefragten Daten zu exportieren (Schritt 2).

Die hierfür verwendete SQL-Abfrage lautet:

SELECT * FROM obera.SenseTest WHERE TOPIC LIKE ‚%wago%‘ AND CAST(TIMESTAMP AS datetime) between ‚2020-10-20 13:00:00‘ and ‚2020-10-20 23:00:00‘;

Der Vorgang ist insgesamt mit den folgenden Sensoren zu wiederholen:

• ‚%wago%‘
• ‚%O5D150%‘
• ‚%Velleman1%‘
• ‚%Velleman2%‘
• ‚%keyence%‘

Als Ergebnis wird somit je Sensor eine CSV-Dateien generiert (Abbildung 2).

Treten bei der SQL-Abfrage Probleme auf, könnte folgendes Vorgehen Abhilfe schaffen:

Menü „Edit“ öffnen und „Preferences“ auswählen:

Anschließend sind unter „SQL-Editor“ folgende Einstellungen anzuwenden und mit „OK“ zu bestätigen:

3. Vorverarbeitung der Daten

Um eine Auswertung zu ermöglichen, sind die Daten in die Form eines sogenannten „Analytics-Base-Table“ (ATB) zu bringen.  Hierbei entspricht eine Zeile einem Timestamp (TS), welcher alle zu diesem Zeitpunkt vorhandenen Sensorwerte abbildet (Tabelle 2).

Tabelle 1: In der Datenbank gespeicherte Rohdaten

ID	TIMESTAMP	TOPIC	PAYLOAD	UNIT	SENSOR	Derived Value	Derived ValueDesc
39429753	2020-10-20T12:59:59.508	FHWS/OBerA/Velleman2	0	digital	velleman HAA27	0	Tuer zu
39429754	2020-10-20T13:00:00.334	FHWS/OBerA/ifm/ifm-O5D150	020.625	cm	ifm O5D150	0	Tuer zu
39429755	2020-10-20T13:00:00.334	FHWS/OBerA/ifm/Keyence-FD-Q20C	0	L/min	Keyence FD-Q20C	0	Durchfluss nein
39429756	2020-10-20T13:00:00.348	FHWS/OBerA/Wago-855-9150	6034.14	W	Wago 855-9150/2000-0701	1	Produktion ja
39429757	2020-10-20T13:00:00.686	FHWS/OBerA/Velleman1	1	digital	velleman HAA27	1	Tuer offen
39429758	2020-10-20T13:00:00.712	FHWS/OBerA/Velleman2	0	digital	velleman HAA27	0	Tuer zu
39429759	2020-10-20T13:00:01.334	FHWS/OBerA/ifm/ifm-O5D150	200.625	cm	ifm O5D150	0	Tuer zu

Um die Umwandlung der Daten in diese Form zu ermöglichen, sind entsprechende Schritte zur Datenvorverarbeitung anzuwenden.

Als problematisch erweist sich, dass pro Zeitstempeln vereinzelt Sensorwerte fehlen. Grund hierfür ist, dass die Daten aufgrund von Verzögerungen nicht exakt im Sekundentakt in die Datenbank gespeichert werden. Folglich weisen bestimmte Sensordaten doppelte Werte pro Timestamp auf bzw. überspringen diesen vollständig.

Mithilfe einer Excel-Datei werden die bereits generierten CSV-Dateien in die Form eines ATB umgewandelt. Das Zielformat der Daten ist in Tabelle 2 ersichtlich.

Tabelle 2: Zielformat der Datenvorverarbeitung zur Anwendung der Algorithmen

ID	TS	VM1	VM2	Abstand	KM	L	Status
1	13:00:00	1	0	20	0	6034	Rüsten
2	13:00:01	1	0	20	0	6043	Rüsten
4	13:00:03	1	0	20	0	6078	Rüsten
5	13:00:04	1	0	20	0	6082	Rüsten
6	13:00:05	1	0	20	0	6090	Rüsten
7	13:00:06	1	0	20	0	6091	Rüsten
8	13:00:07	1	0	20	0	6098	Produktion
11	13:00:10	1	0	20	0	6102	Produktion
12	13:00:11	1	0	20	0	6112	Produktion
13	13:00:12	1	0	20	0	6075	Produktion

Den Datensätzen werden schließlich in einer weiteren Spalte die Eigenschaften „Rüsten“ bzw. „Leerlauf/Produktion“ zugeordnet und die vorverarbeiteten Daten in einem neu erstellten MatLab-Projekt importiert.

4. Import der Daten in MatLab 

Zu Beginn sind die Daten in MatLab zu impotieren (Abbildung 2).

Anschließend werden die entsprechenden Datentypen der Spalten festgelegt (Abbildung 3).

• ID = Number
• TS (Timestamp) = Datetime
• TI (Tür innen) =  Categorical
• TT (Tür Maschinentisch) = Categorical
• KM (Kühlmittel) = Number
• L (Leistung) = Number
• Status = Categorical
  

  Abbildung 6: Festlegung der Datentypen

Nach dem Import der Daten ist das GUI „Classification Learner“ unter dem Register „Apps“ zu öffnen (Abbildung 4).

Nach der Auswahl des bereits importierten Datensets müssen die Response- und Vorhersagevariablen festgelegt werden (Abbildung 5). Hierbei wird der Status (Rüsten/Produktion) als Response-Variable festgelegt. ID, Timestamp (TS) und Status eigenen sich nicht als Vorhersagevariablen und werden deshalb abgewählt. Als Validationsverfahren zeigte sich die Cross-Validation als erfolgreich gegen das Problem des overfittings.

In der App „Classification Learner“ können nun Algorithmen zum Trainieren des Modells ausgewählt werden. Mit der Voreinstellung „All-Quick-To-Learn“ werden automatisch ausgewählte Algorithmen trainiert. Die Auswahl des gewünschten Algorithmus ist mit dem Button „Train“ zu bestätigen (Abbildung 6).

Nun wird das Modell automatisch trainiert und die allgemeine Genauigkeit des Algorithmus ermittelt (Abbildung 7). In diesem Anwendungsfall wurden alle verfügbaren Trainingsmechanismen getestet, wobei sich die Methode „Fine Tree“ mit 92,8% als genauesten Algorithmus erweist (Abbildung 7).

5. Evaluation der Algorithmen

Neben der in der Ansicht aller trainierten Algorithmen angezeigter Genauigkeiten (Abbildung 10) sind die Algorithmen weiter zu untersuchen – beispielsweise mithilfe einer Confusion-Matrix. Hierzu muss unter der Registerkarte „Plots“ die „Confusion Matrix“ ausgewählt werden (Abbildung 10).

Es zeigt sich, dass der Algorithmus „Fine Tree“ zwar die höchste allgemeine Genauigkeit besitzt, aber den Rüstvorgang lediglich zu 51,7% korrekt vorhersagt (Abbildung 11).

Hingegen dazu weißt der Algorithmus RUS Bossted Tree eine geringe allgemeine Genaugikeit an, ist aber besser in der Lage Rüstvorgänge zu identifizieren. In diesem Anwendungsfall gelang es dem Algorithmus in 88,4% der Fälle den Rüstvorgang korrekt zu identifizieren.

Es reicht folglich nicht, lediglich die von MatLab angezeigte allgemeine Genauigkeit bei der Wahl des Algorithmus zu berücksichtigen.

6. Trainingsmodell auf Testdaten Anwenden

Um das Trainingsmodell auf einen Nicht-Klassifizierten Datensatz anzuwenden, ist das geeignetste Modell zu Exportieren (Abbildung 13).

Nun Testdaten mit der leeren Spalte „Rüststatus“ importieren – Analog zu Abbildung 5 und Abbildung 6.

Zur Vorhersage in die Eingabemaske von MatLab folgende Formel eingeben:

yfit = trainedModel.predictFcn(T)

trainedModel = Name des exportieren, trainierten Modells

T = importierter Testdatensatz

Um eine Ansicht des Entscheidungsbaumes zu erzeugen, kann folgende Formel verwendet werden:

view(trainedModel.ClassificationTree,’mode‘,’graph‘)