Evaluierung neuronaler Netze auf Maschinendatenbasis

In Industrieanlagen kommt es immer wieder zu Ausfällen, was oft mit hohen Kosten verbunden ist. Moderne Anlagen werden daher mit einer Vielzahl an Sensoren ausgestattet, um den Zustand einer Maschine zu überwachen und um Ausfälle vorherzusagen. Die Auswertung dieser Daten erfolgt unter anderem durch Modelle des maschinellen Lernens.
Die Arbeit beinhaltet unter anderem ein Projekt mit dem neuronale Netze und andere Modelle des maschinellen Lernens erstellt werden können. Diese Modelle werden anschließend mit Hilfe von Temperaturdaten einer Presse getestet. Ziel ist es ein Modell zur Wiederherstellung fehlender Sensordaten zu finden und ein Modell zu finden, welches Anomalien in den Temperaturdaten erkennt. Es wird gezeigt, dass für die Datenwiederherstellung vor allem Autoencoder und die lineare Regression verwertbare Resultate liefern. Für die Anomalieerkennung wird gezeigt, dass sich vor allem neuronale Netze mit tieferen Schichten eignen. Darunter vertreten sind unter anderem mehrere convolutional aNetzwerke, welche speziell für diese Art der Daten konstruiert wurden.