Title: Predicting Machine Outages using Deep Learning
Other Titles: Vorhersagender Wartung von Anlagen
Language: English
Authors: Tatowsky, Alexander 
Qualification level: Diploma
Advisor: Rauber, Andreas 
Assisting Advisor: Schindler, Alexander 
Issue Date: 2021
Citation: 
Tatowsky, A. (2021). Predicting Machine Outages using Deep Learning [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.56590
Number of Pages: 79
Qualification level: Diploma
Abstract: 
Im Bereich der Industrie 4.0 werden in modernen Fertigungssystemen und Industriezweigen große Anstrengungen unternommen, um effektive Systeme zur Überwachung der Maschinengesundheit und Prognose-Systeme zu entwickeln. Neben verschiedenen Methoden, wie modellbasierten oder wissensbasierten Ansätzen, gewinnen datengesteuerte Methoden, insbesondere neuronale Netzwerke an Bedeutung aufgrund ihrer Eigenschaft, bei großen Datenmengen eine gute Leistung zu erbringen und ihrer Fähigkeit, den zukünftigen Status basierend auf aktuellen Informationen vorherzusagen. Nach dem Training anhand von Zustandsdaten und Feedback können sie in integrierte Steuerungen eingebettet werden und ermöglichen eine Echtzeit-Bewertung. Neben hochmodernen Produktionsanlagen,die mit einer großen Anzahl von Sensoren und Messungen ausgestattetsind, gibt es Hersteller, die Messungen auf ungeordnete Weise sammeln. Während beide danach streben, ihre Effizienz zu maximieren, unterscheiden sich die Voraussetzungen zur Vorhersage erheblich. Die Verwendung von neuronalen Netzwerken nach dem Stand der Technik, die für Zeitreihendaten verwendet werden, erfordert kontinuierliche Messungen mehrerer Sensoren und die Kenntnis des Zustands, um ein Modell richtig zu trainieren. Indieser Arbeit wird untersucht, inwieweit eine moderne neuronale Netzwerkarchitektur mit einem Datensatz mit fehlenden Zielvariablen und unzureichender Kenntnis des wahren Zustandes der Maschine funktioniert. Dazu werden zwei Fallstudien durchgeführt: Eine neuronale Netzwerkarchitektur wird anhand eines genau definierten Referenz- Datensatzes implementiert, verfeinert und ausgewertet. In der zweiten Fallstudie wird das Netzwerk anhand eines realen Datensatzes ausgewertet, der von einer Produktionslinie stammt, jedoch nicht dezidiert für derartige Prognoseaufgaben gesammelt wurde. Implikationen betreffen die Datenerfassung und Messungen zur Verbesserung der Datenqualität,um ausreichende Daten für modernste maschinelle Lernmethoden bereitzustellen.

In the area of industry 4.0 in modern manufacturing systems and industries, great researcheffort are made in developing effective machine health monitoring and prognosis systems. Among other methods like model based or knowledge based approaches, datadriven methods, especially neural networks, gain attention due to their characteristicto perform well with large data sets and their capabilities to predict the future statebased on up-to-date information. Once trained by utilizing condition data and on sitefeedback, they can be embedded on on-board controllers and enable real-time assessment.Besides state of the art production plants which are equipped with a great amount ofsensors and measurements, there are also manufacturers that collect measurements, butin a disordered way. While both strive to maximize their efficiency, the preconditionsdiffer significantly. The usage of state of the art neural networks used for time seriesdata requires continuous measurements of multiple sensors and the knowledge of thestate of the device to properly train a model. This thesis investigates to what extent aneural network architecture performs on a data set with missing target variables andinappropriate ground truth data. Therefore two case studies are conducted: A neuralnetwork architecture is constructed, refined and evaluated on a well defined data set. In the second case study the network is evaluated on a real life data set whichwas collected from a production line and was not specifically collected for forecastingtasks. Implications concern the data acquisition and measurements to improve the dataquality to provide sufficient data for state of the art machine learning methods.
Keywords: Predictive Maintenance; Neural Network; RNN; Food Production; Supervised; Machinelearning; Feature Engineering; C-MAPSS; Realworld; Cleansing
URI: https://doi.org/10.34726/hss.2021.56590
http://hdl.handle.net/20.500.12708/18846
DOI: 10.34726/hss.2021.56590
Library ID: AC16383056
Organisation: E194 - Institut für Information Systems Engineering 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

1
checked on Nov 25, 2021

Download(s)

1
checked on Nov 25, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.