![Volltextdatei(en) in REPOSIT vorhanden Volltextdatei(en) in REPOSIT vorhanden](/image/Document-icon-128x128.png)
DC Element | Wert | Sprache |
---|---|---|
dc.contributor.advisor | Neitzke, Michael | - |
dc.contributor.author | Eisenschmidt, Yannick Pascal | - |
dc.date.accessioned | 2024-07-26T09:58:39Z | - |
dc.date.available | 2024-07-26T09:58:39Z | - |
dc.date.created | 2022-07-05 | - |
dc.date.issued | 2024-07-26 | - |
dc.identifier.uri | https://hdl.handle.net/20.500.12738/16101 | - |
dc.description.abstract | 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. | de |
dc.description.abstract | 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. | en |
dc.language.iso | de | en_US |
dc.subject | Predictive-Maintenance | en_US |
dc.subject | Explainable-AI | en_US |
dc.subject | Machine-Learning | en_US |
dc.subject | Produktionsleitsystem | en_US |
dc.subject.ddc | 004: Informatik | en_US |
dc.title | Vergleich unterschiedlicher Machine-Learning-Verfahren für das Voraussagen und Erklären der Ausfälle von Produktionsleitsystemen | de |
dc.type | Thesis | en_US |
openaire.rights | info:eu-repo/semantics/openAccess | en_US |
thesis.grantor.department | Fakultät Technik und Informatik | en_US |
thesis.grantor.department | Department Informatik | en_US |
thesis.grantor.universityOrInstitution | Hochschule für Angewandte Wissenschaften Hamburg | en_US |
tuhh.contributor.referee | Stelldinger, Peer | - |
tuhh.identifier.urn | urn:nbn:de:gbv:18302-reposit-191141 | - |
tuhh.oai.show | true | en_US |
tuhh.publication.institute | Fakultät Technik und Informatik | en_US |
tuhh.publication.institute | Department Informatik | en_US |
tuhh.type.opus | Bachelor Thesis | - |
dc.type.casrai | Supervised Student Publication | - |
dc.type.dini | bachelorThesis | - |
dc.type.driver | bachelorThesis | - |
dc.type.status | info:eu-repo/semantics/publishedVersion | en_US |
dc.type.thesis | bachelorThesis | en_US |
dcterms.DCMIType | Text | - |
tuhh.dnb.status | domain | en_US |
item.languageiso639-1 | de | - |
item.creatorGND | Eisenschmidt, Yannick Pascal | - |
item.creatorOrcid | Eisenschmidt, Yannick Pascal | - |
item.cerifentitytype | Publications | - |
item.openairecristype | http://purl.org/coar/resource_type/c_46ec | - |
item.advisorGND | Neitzke, Michael | - |
item.openairetype | Thesis | - |
item.fulltext | With Fulltext | - |
item.grantfulltext | open | - |
Enthalten in den Sammlungen: | Theses |
Dateien zu dieser Ressource:
Datei | Beschreibung | Größe | Format | |
---|---|---|---|---|
BA_Vergleich_unterschiedlicher_Machine-Learning-Verfahren.pdf | 1.98 MB | Adobe PDF | Öffnen/Anzeigen |
Feedback zu diesem Datensatz
Export
Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.