Volltextdatei(en) in REPOSIT vorhanden Open Access
Titel: Vergleich unterschiedlicher Machine-Learning-Verfahren für das Voraussagen und Erklären der Ausfälle von Produktionsleitsystemen
Sprache: Deutsch
Autorenschaft: Eisenschmidt, Yannick Pascal 
Schlagwörter: Predictive-Maintenance; Explainable-AI; Machine-Learning; Produktionsleitsystem
Erscheinungsdatum: 26-Jul-2024
Zusammenfassung: 
Die Machine-Learning-Verfahren Entscheidungsbaum, Feed-Forward Netz und LSTM werden verwendet, um anhand von Sensordaten die Zeit bis zum nächsten Ausfall eines Produktionsleitsystems vorherzusagen. Modell-spezifische Erklärungsverfahren werden angewendet, um den für die Vorhersage verwendeten Sensorwerten ein Wichtigkeitsmaß zuzuordnen, was die Identifikation des Ausfallgrundes unterstützen soll. Durch Betrachtung der Vorhersagegenauigkeit und exemplarischer Betrachtung produzierter Erklärungen werden das LSTM-Netzwerk und das angepasste LRP-Verfahren als am für den Anwendungsfall geeignetsten ausgewählt.

The machine learning methods decision tree, feed forward network and LSTM are used to predict the remaining useful life of an MES using collected sensor data. Model specific explanation methods are used to assign a relevancy to each sensor which helps identify the cause of an outage. By comparing prediction accuracy and checking sample explanations the LSTM network and the modified LRP method are determined to be most suitable for the use-case.
URI: https://hdl.handle.net/20.500.12738/16101
Einrichtung: Fakultät Technik und Informatik 
Department Informatik 
Dokumenttyp: Abschlussarbeit
Abschlussarbeitentyp: Bachelorarbeit
Hauptgutachter*in: Neitzke, Michael 
Gutachter*in der Arbeit: Stelldinger, Peer  
Enthalten in den Sammlungen:Theses

Dateien zu dieser Ressource:
Zur Langanzeige

Seitenansichten

56
checked on 24.11.2024

Download(s)

42
checked on 24.11.2024

Google ScholarTM

Prüfe

HAW Katalog

Prüfe

Feedback zu diesem Datensatz


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.