(Bachelor/Master/Praktikum) Systematic Review of Best Practices and Common Pitfalls in Training and Validating Deep Learning Models for Predictive Maintenance and Critical Event Prediction in Industry 4.0

Motivation

In der produzierenden Industrie stellt die Wartung von Maschinen einen immensen Kostenfaktor dar. Trotzdem setzen noch immer viele Unternehmen auf nicht mehr zeitgemäße Wartungskonzepte, wie z.B. Periodical oder Corrective Maintenance. Eine vielversprechende Weiterentwicklung stellen Predictive Maintenance bzw. Critical Event Prediction dar, welche einen wichtigen Bestandteil von Industry 4.0 bilden. Die Idee ist, auf Basis gesammelter Daten, beispielsweise von Temperatur-, Druck- oder Vibrationssensoren, Ausfälle vorherzusagen und basierend darauf die Wartung zu planen, um Ausfälle zu vermeiden.

Eine Möglichkeit, aus einer Vielzahl gesammelter Daten Erkenntnisse zu gewinnen, bieten datenbasierte Methoden, wie z.B. Machine Learning oder Deep Learning (DL) Ansätze, und es gibt bereits zahlreiche Arbeiten, die sich mit deren Anwendung im Kontext von Predictive Maintenance beschäftigen. Im besten Fall sind die Ergebnisse  und/oder die Behauptungen, die in Papern aufgestellt und bewiesen werden, reproduzierbar, und alle relevanten Informationen (genauer Datensatz, Split in Train/Validation/Test-Sets, relevante Parameter, aussagekräftige Performance Measures) für den Leser vorhanden. Jedoch fällt auf, beispielsweise wenn man sich mit dem Teilbereich "HDD Failure Prediction" beschäftigt, dass Guidelines und Best Practices oft nicht umgesetzt werden

 Ziele

Das Ziel dieser Arbeit ist, diese Erkenntnis im Rahmen eines systematischen Literature Reviews zu quantifizieren. Dazu gehört unter anderem:

• Definition von Einschluss- und Ausschlusskriterien (welche Paper sollen aufgenommen werden in die Analyse)
• Aufstellen einer Auswahl von Best Practices und Pitfalls, auf welche die Paper hin untersucht werden (z.B.: "Ist (ausführbarer) Code vorhanden?", "Wird erklärt, wie der Datensatz aufgesplittet wird?", usw.)
• Bewerten der Paper anhand einer Checkliste oder eines Scoring Systems (z.B. Grad der Umsetzung einer bestimmten Best Practice auf einer Skala)

Voraussetzungen

• Interesse an den Themen IoT / Industry 4.0 und Deep Learning

Wir bieten

• Gute und intensive Betreuung
• Interessante Arbeit in einem aktuellen Forschungsfeld

Dauer                                                                             

3/6 Monate (Genauer Zeitplan und Umfang nach Vereinbarung und Art der Arbeit)

Kontakt

Daniel Grillmeyer, M. Sc.

daniel.grillmeyer@uni-wuerzburg.de