smart_gps

Inspiration

GPS-Marker werden an zu fertigende Teile gebunden und durchlaufen mit den Teilen diverse Prozesse. Für den Gesamtprozess existiert also ein Start- und ein Endzeitpunkt, wobei diese manuell gesetzt werden müssen. Das Setzen der Zeitpunkte wird in der Praxis nicht immer gemacht, was zu fehlerhaften und falschen Daten führt.

What it does

Das Vorhaben lässt die GPS-Marker "smart" werden und erkennen automatisiert den Endzeitpunkt einer industriellen Prozesskette, sodass diese Information nicht manuell erfasst werden muss und die Datenqualität dadurch rapide ansteigt.

• KI: Automatisierte Prediction eines Prozessendes durch Eingabe einer Prozesssequenz eines Markers

  • Dadurch können auch fehlende Endzeitpunkte vorhergesagt werden
  • Erhöhte Datenqualität für andere Datenverarbeitungen und KIs
  • KI kann für Transfer-Learning verwendet werden

• Fusions-Algorithmus:

  • Prozess-Area für jeden Timestamp eines Markers wird durch (x,y)-Koordinaten ermitteln und ein neuer Datensatz fü die Positions-Historie aller Marker generiert
  • Erstellt Datensatz von Batches für jede vollständig vorhandene Prozessekette aus den Daten, um damit das RNN-Modell zu trainieren
  • Auch Batches für unvollständige Prozessketten

How we built it

• Tools: Python & torch

• Verständnis der Daten:

  • Alle Datenpunkte auf der gegebenen Karte von Trumpf geplottet und interpretiert

• Datenaufbereitung:

  • Positions-Historie um Prozess-Area für jeden Timestamp und Marker erweitert
  • Erreicht bessere Generalisierung
  • Batch-Datensatz zum Trainieren der KI aus den aufbereiteten Datensätzen generiert und unvollständige Sequenzen verworfen

• RNN:

  • Nutzen für LSTMs für Zustandshaltung von relevanten Prozessschritten
  • Sequence-to-Sequence-Learning

Challenges we ran into

• Relativ wenige Daten für heterogene Prozesse, die umständlich fusioniert, aufbereitet und aussortiert werden mussten

• Wenig Zeit, um lokal neuronales Netz zu trainieren und zu optimieren

• Rechenpower

  • 11h Daten-Aufbereitung
  • 7h RNN-Training

Accomplishments that we are proud of

• Fertiges RNN mit LSTMs
• Durch Fusionieren der Daten und Zusammenführen mehrerer Tabellen deutlich bessere Ergebnisse erzielt

What we learned

• Auslagern von rechenintensiven Operationen wie Trainieren und Aufbereiten von Daten

• Mehrere Modelle parallel trainieren wirkt kurzer Zeit entgegen und optimiert die KI wenigstens etwas

What's next for smart_gps

• Sammeln von mehreren Samples für ähnliche Prozesse, damit die KI besser generalisiert

• Optimieren der Aufbereitung der Daten

• Optimieren der Hyperparameter, vor allem tieferes Netz

How to run

• Um die Datenaufbereitung durchzuführen, müssen die Datensätze von TRUMPF GmbH + Co. KG in der geforderten Ordnerstruktur vorliegen (siehe data_magic.py & data_merger.py)
• Für Prediction von 5 Testdaten: python rnn.py

Built With

• python
• pytorch