FDI

Motivation

Nach aktuellen Studien wird oder hat das maschinelle Lernen bereits einen sehr großen Einfluss auf die vorausschauende Instandhaltung (Predictive Maintenance). Im Rahmen dieses Projekts werden robuste datengetriebene und modellbasierte Algorithmen für das maschinelle Lernen zur Fehlererkennung, -identifikation und -vorhersage entwickelt. Wir evaluieren dabei spezifische Ansätze wie causal discovery (siehe auch das COMET-Projekt SmartDD) und robustes maschinelles Lernen auf verfügbaren Daten. Potenziell nützliche Datenquellen sind Sensoren und System-Logdateien, die Alarm- und Fehlermeldungen enthalten. In Kombination mit Stream- und Big Data Processing Lösungen wird eine kontinuierliche Überwachung und Analyse großer Mengen von Geräten, Maschinen und Industrieanlagen ermöglicht und damit die Instandhaltung und Produktion verbessert. Beispiele für Geräte, Maschinen und Anlagen sind Hydrauliksysteme, Maschinen mit rotierenden Elementen und Spritzgussmaschinen.

Erwartete Ergebnisse

• Effiziente Algorithmen unterstützen robustes Lernen, Ausreißererkennung, robuste stochastische Optimierung und Vorhersage von Ereigniszeiten
• Diese Algorithmen bilden die Grundlage für Softwaretools zur vorausschauenden und optimalen Instandhaltung, die auf die Bedürfnisse der Unternehmenspartner zugeschnitten sind
• Zusätzlich zu den Algorithmen-Implementierungen unterstützen unsere Softwarelösungen die Verarbeitung von Datenströmen, Big Data Processing und Visualisierungen

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMDW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.