Name der Teilnehmerin: Sandra Zilker
Beschreibung des IT-Forschungsprojekts: Das Ziel des ausgewählten Forschungsprojekts ist es, ein Machine-Learning-Verfahren zu entwickeln, welches Vorhersagen zu bestimmten Sachzusammenhängen treffen soll. Genauer gesagt sollen etwaige Störungen und Ausfälle von Maschinen vorhergesagt werden können. Das Verfahren soll dabei mit vorhandenen (Log-)Daten trainiert werden. Dieser Ansatz kann auch unter der Terminologie Predictive Maintenance subsumiert werden. Dabei sollen Maschinen also nicht repariert werden, wenn sie bereits defekt sind, sondern auf Basis von Datenanalyse soll Störungen prognostiziert und vor Ausfall der Maschine entsprechende Schritte zur Instandhaltung getroffen werden. Dieser proaktive Ansatz unterscheidet sich grundlegend von bisherigen Vorgehensweisen (Reparatur bei Ausfall). Ermöglicht wird dies auf Grund von (Sensor-)Daten, welche kontinuierlich erhoben werden. Nach Erhebung und Speicherung der Daten werden diese analysiert. Die Analyseansätze, welche bisher im Bereich Predictive Maintenance zum Einsatz kommen, sind vor allem statistischer Natur. Im vorliegenden Projekt soll ein Machine-Learning Ansatz verfolgt werden. Kerngedanke des maschinellen Lernens ist es, dass Verfahren auf Basis von Daten so trainiert werden, dass Muster erkannt werden können. Konkret soll die Lösung mit einem Deep-Learning-Verfahren umgesetzt werden. Deep-Learning beruht auf neuronalen Netzen. Dabei ist der Unterschied zu „herkömmlichen“ neuronalen Netzen die höhere Anzahl an verborgenen Schichten (sogenannten Hidden Layers). So können die erzielten Ergebnisse erheblich verbessert werden (vor allem auch hinsichtlich größerer Datenmengen). Da es sich bei den Daten im vorliegenden Fall um Signalverläufe handelt, soll eine Sequenzvorhersage getroffen werden. Zum aktuellen Stand soll das Deep-Learning-Verfahren auf rekurrente neuronale Netze aufbauen, um die „n zu n“-Beziehung zwischen Input (Daten) und Output (Vorhersage) abzubilden.
Software Campus-Partner: Friedrich-Alexander-Universität Erlangen-Nürnberg, Trumpf
Umsetzungszeitraum: 01.01.2020 – 31.12.2021
