(Master/Bachelor/Praktikum) Anwendung von Deep Learning im Bereich Predictive Maintenance

11.03.2024

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 Ansätze, und es gibt bereits zahlreiche Arbeiten, die sich mit deren Anwendung im Kontext von Predictive Maintenance beschäftigen. Allerdings werden diese häufig nur auf einem bestimmten Datensatz evaluiert.

Ziele

Im Rahmen dieser Arbeit beschäftigst du dich mit zwei Deep Learning Architekturen, für die jeweils auf einem Datensatz gute Ergebnisse berichtet wurden. Ein Benchmark-Datensatz beschäftigt sich mit der Lebensdauer von Festplatten, der andere mit Ausfällen von simulierten Turbotriebwerken der NASA. Im Rahmen deiner Arbeit sollen die beiden Ansätze einerseits implementiert werden, inklusive Datensatzvorverarbeitung. Anschließend sollen sie auf beiden Benchmark-Datensätzen evaluiert werden und damit die Frage beantwortet werden, wie gut die Architekturen in der Lage sind zu generalisieren.

Voraussetzungen