CD-Labor für Signalverarbeitung und maschinelles Lernen in der Stahlindustrie

Dieses CD-Labor hat zum Ziel, die Digitalisierung von Prozessen in der Stahlindustrie voranzutreiben und zu verbessern. Schon heute werden viele Industrieanlagen durch Sensoren aller Art überwacht, wobei die gesammelten Sensordaten oft aufgrund der rauen Umgebung ein signifikantes Rauschen aufweisen. Durch die Forschung in diesem CD-Labor soll eine Verbesserung der Nutzbarkeit solcher verrauschten Signaldaten erreicht werden. Die Forschungsergebnisse sollen dabei breit auf eine Vielzahl von Anlagen und Prozessen anwendbar sein, indem über viele Messstellen wiederkehrende Signaleigenschaften, z. B. ein periodisches Störsignal, identifiziert und nach breit anwendbaren Lösungen gesucht wird.

Die Herstellungsprozesse für Produkte aus Stahl, wie Stahlbänder in verschiedenen Dicken, Eisenbahnschienen und Gießereiprodukte, erfordern viele verschiedene Industrieanlagen wie Hochöfen, Gießereien, Walzwerke usw. Diese Industrieanlagen enthalten neben den mechanischen Komponenten viele verschiedene elektronische Systeme zur Steuerung und Überwachung der Maschinen und zur Fehlererkennung. Diese elektronischen Systeme bestehen aus Sensoren und Kameras, sowie Computer, die alle verfügbaren Informationen durch Software und Algorithmen verarbeiten. Aufgrund des rauen Industrieumfelds werden die Sensorsignale jedoch häufig durch starkes Rauschen beeinträchtigt, wodurch die Menge an nützlichen Informationen reduziert ist. In anderen Fällen treten unerwünschte Signalanteile auf, die vor der Weiterverarbeitung der Sensorsignale einer besonderen Auswertung bedürfen. Es gibt Fälle, in denen das Fehlen genauer Signalmodelle die Extraktion detaillierter Informationen aus den Sensorsignalen verhindert. Selbst mit genauen Signalmodellen wird die Extraktion der gewünschten Informationen manchmal durch den Mangel an rechnerisch machbaren und genauen Algorithmen behindert.

Dieses CD-Labor hat daher drei übergeordnete Ziele:

1. Die Algorithmen, die die Sensorsignale verarbeiten, müssen mit dem niedrigen Signal-Rausch-Verhältnis (signal-to-noise ratio, SNR), unerwünschten Signalanteilen und weiteren unerwünschten Effekten zurechtkommen. Das Design von Algorithmen, die unter diesen Bedingungen genaue Ergebnisse liefern, ist ein offenes Forschungsthema. Während klassische modellbasierte Ansätze untersucht werden, sind auf maschinellem Lernen basierende Methoden oder hybride Ansätze derzeit der dominierende Trend. Ein Ziel dieses CD-Labors ist es, die Forschung an modellbasierten Algorithmen sowie auf maschinellem Lernen basierenden Methoden und deren Kombinationen voranzutreiben, wobei der Schwerpunkt auf Szenarien mit niedrigem SNR liegt.

2. In einer großen Industrieanlage messen zahlreiche verschiedene Sensoren ununterbrochen verschiedene Signale. Hunderte Computer führen eine Vielzahl von Algorithmen aus, um diese Sensorsignale zu verarbeiten. Trotz dieser Vielfalt kann man Muster identifizieren, z.B. eine Art Periodizität in den Signaleigenschaften oder ein unerwünschtes Hintergrundsignal, das ebenfalls periodisch sein kann. Schließlich können einige Algorithmen gleich sein, z. B. Schätzalgorithmen, die die Grundfrequenz eines periodischen Signals schätzen. Daher können Verbesserungen eines Algorithmus oder seiner Signalverarbeitungskette genutzt werden, um die Genauigkeit der Signalverarbeitung an mehreren anderen Stellen innerhalb der Anlage zu verbessern. Ein Ziel dieses CD-Labors ist es daher, breit anwendbare Algorithmen, Erkenntnisse und Leistungsgrenzen bereitzustellen.

3. Der Übergang von rein mechanischen Industrieanlagen in der Vergangenheit zu hochdigitalisierten und computerisierten Industrieanlagen ist noch lange nicht abgeschlossen. Auch heute noch besteht ein großer Bedarf, Prozesse zu überwachen, Eigenschaften zu messen und bestehende Messsysteme und deren Algorithmen durch bessere zu ersetzen. Ein Ziel dieses CD-Labors ist es daher, die fortschreitende Digitalisierung voranzutreiben.