![Fulltext in REPOSIT available Fulltext available](/image/Document-icon-128x128.png)
Title: | Vergleich unterschiedlicher Machine-Learning-Verfahren für das Voraussagen und Erklären der Ausfälle von Produktionsleitsystemen | Language: | German | Authors: | Eisenschmidt, Yannick Pascal | Keywords: | Predictive-Maintenance; Explainable-AI; Machine-Learning; Produktionsleitsystem | Issue Date: | 26-Jul-2024 | 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. 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 | Institute: | Fakultät Technik und Informatik Department Informatik |
Type: | Thesis | Thesis type: | Bachelor Thesis | Advisor: | Neitzke, Michael | Referee: | Stelldinger, Peer ![]() |
Appears in Collections: | Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
BA_Vergleich_unterschiedlicher_Machine-Learning-Verfahren.pdf | 1.98 MB | Adobe PDF | View/Open |
Note about this record
Export
Items in REPOSIT are protected by copyright, with all rights reserved, unless otherwise indicated.