Anomaliedetectie in slimme fabrieken omvat het identificeren en signaleren van afwijkingen, abnormaliteiten of onverwachte patronen in operationele gegevens die zijn verzameld van sensoren, apparaten en systemen in de fabrieksomgeving. Het Industrial Internet of Things (IIoT) maakt de netwerkverbinding van apparaten mogelijk, waardoor gegevensverzameling, analyse en geautomatiseerde besturing mogelijk worden. Het tijdig detecteren van anomalieën is cruciaal voor het effectief identificeren van afwijkend systeemgedrag, zoals oververhitte machines, defecte producten, gebreken in verpakkingen en andere fouten. Onderhoudsacties kunnen onmiddellijk worden uitgevoerd om de soepele werking van productiesystemen te garanderen.
In de afgelopen tijd hebben datagestuurde benaderingen, met name op het gebied van diep leren en machinaal leren, veel aandacht gekregen in voorspellend onderhoud (Predictive Maintenance, PdM). Convolutionele neurale netwerken (CNN's), ontworpen voor het verwerken van rastervormige gegevens zoals afbeeldingen, maken gebruik van gespecialiseerde lagen om betekenisvolle kenmerken te extraheren door leerbare filters te convolveren. In de context van anomaliedetectie kunnen CNN's worden toegepast op visuele gegevensstromen die worden vastgelegd door camera's in de productieomgeving. Deze visuele gegevens bieden waardevolle inzichten in de staat van machines, apparatuur of processen, waardoor visuele afwijkingen die duiden op potentiële problemen of onregelmatigheden kunnen worden gedetecteerd.
Terwijl CNN's effectief zijn voor gegevens met regelmatige structuren zoals afbeeldingen, bieden Graph Neural Networks (GNN's) een algemenere aanpak die niet-Euclidische gegevensnetwerken kan verwerken. GNN's, inclusief uitbreidingen zoals GraphSAGE (Graph Sample and AggregaGte), leggen complexe relaties en afhankelijkheden vast in grafisch gestructureerde gegevens. GNN's genereren een knooppuntrepresentatie door kenmerken over een set naburige knooppunten met een vaste grootte op een inductieve manier samen te voegen.
Bij inductieve aggregatie wordt informatie verzameld van naburige knooppunten binnen een gespecificeerde straal of nabijheid rond een doelknooppunt. De kenmerken van deze naburige knooppunten worden gecombineerd of samengevoegd tot een representatieve kenmerkvector voor het doelknooppunt. Deze aggregatiestap stelt het doelknooppunt in staat om informatie van de omliggende knooppunten op te vangen en te gebruiken, en hun kenmerken in zijn eigen representatie op te nemen.
Met deze aanpak kunnen GNN's effectief complexe patronen, afhankelijkheden en interacties tussen knooppunten modelleren.
In veel echte productiescenario's waar niet-Euclidische gegevens overheersen, zijn GNN-gebaseerde oplossingen voorgesteld om de beperkingen van traditionele CNN's en andere technieken aan te pakken.
Op het gebied van anomaliedetectie in slimme fabrieken zijn verschillende technieken zoals grens/limietcontrole, regelgebaseerde methoden, clustering en classificatie gebruikt om puntanomalieën te detecteren. Machine learning- en deep learning-technieken, waaronder traditionele CNN's en Long Short-Term Memory (LSTM)-netwerken, zijn gebruikt om regels voor de detectie van anomalieën te extraheren en puntanomalieën te identificeren. Het onvermogen om niet-Euclidische gegevens vast te leggen in veel productiescenario's heeft echter geleid tot de ontwikkeling van GNN-gebaseerde oplossingen, die gebruikmaken van de kracht van grafiekgebaseerde modellering om afwijkingen effectief te detecteren.
In de context van een slimme fabriek speelt de Programmable Logic Controller (PLC) een cruciale rol bij het besturen van productieprocessen. Deze PLC's zijn verbonden met meerdere Industrial Internet of Things (IIoT) apparaten en vormen zo een complex netwerk. Wanneer er echter patches of updates worden toegepast op de IIoT-apparaten zonder overeenkomstige upgrades voor de PLC, kunnen er collectieve afwijkingen ontstaan die tot onvoorziene problemen leiden.
Conventionele benaderingen voor het opsporen van anomalieën richten zich meestal op het analyseren van individuele kenmerken van IIoT-apparaten of PLC's, waarbij de complexe onderlinge relaties over het hoofd worden gezien. Om effectief collectieve afwijkingen te identificeren, is het noodzakelijk om rekening te houden met deze onderlinge afhankelijkheden. Dit is waar Neurale Grafische Netwerken (GNN's) zeer waardevol blijken te zijn.
In onze casestudy gebruiken we een specifiek type GNN dat bekend staat als Graph Convolutional Network (GCN). De eerste stap bestaat uit het construeren van een grafiek van het industriële communicatienetwerk, het gedrag van IIoT-apparaten en de PLC. In deze grafiek komt elk knooppunt overeen met een IIoT-apparaat, PLC of ander relevant apparaat in de fabriek. De randen tussen de knooppunten bevatten de structurele informatie en illustreren de verbindingen tussen deze entiteiten.
Door de gegevens in deze grafiekstructuur om te zetten, kunnen we de relaties en afhankelijkheden tussen de apparaten effectief vastleggen en analyseren. Dit stelt ons in staat om collectieve afwijkingen te detecteren die kunnen ontstaan door de interactie tussen IIoT-apparaten en de PLC. Het GCN-algoritme, dat speciaal is ontworpen voor grafische gegevens, stelt ons in staat om te leren en zinvolle kenmerken te extraheren uit de grafische representatie.
Om het anomaliedetectiemodel te implementeren, kunnen we een GCN-gebaseerde architectuur ontwerpen. Dit omvat meestal meerdere GCN-lagen gevolgd door een softmax-laag voor het trainen van een binair classificatiemodel om onderscheid te maken tussen "normale" en "abnormale" instanties. Door gebruik te maken van de kracht van GCN's en hun vermogen om complexe relaties in grafiekgegevens vast te leggen, kunnen we nauwkeurige en betrouwbare detectie van collectieve afwijkingen in de slimme fabrieksomgeving bereiken.
Samengevat bieden Graph Neural Networks (GNN's) een aantal duidelijke voordelen ten opzichte van traditionele benaderingen in anomaliedetectie. Het vermogen van GNN's om complexe relaties en afhankelijkheden binnen gegevensnetwerken vast te leggen, maakt ze bijzonder geschikt voor het detecteren van collectieve anomalieën waarbij meerdere onderling verbonden apparaten of knooppunten betrokken zijn. In tegenstelling tot traditionele methoden die zich richten op afzonderlijke kenmerken of geïsoleerde componenten, bieden GNN's een holistische kijk op het netwerk, wat leidt tot een grotere nauwkeurigheid en effectiviteit.
GNN's blijven zich ontwikkelen op het gebied van anomaliedetectie en zijn veelbelovend voor het ontdekken van diepere inzichten en inzichten uit complexe datanetwerken. Hun vermogen om verborgen patronen bloot te leggen, anomalieën op grote schaal te detecteren en zich aan te passen aan dynamische omgevingen, maakt ze tot een waardevol hulpmiddel in verschillende industrieën en sectoren, dat innovatie stimuleert en de mogelijkheden in anomaliedetectie en daarbuiten vergroot.
