KURZFASSUNG
Aktuelle Entwicklungen im Bereich Deep Learning und deren erfolgreiche praktische Anwendung in unterschiedlichen Anwendungen (z.B.: Bildklassifikation) suggerieren, dass diese Methoden auch zur Prognose von Maschinenausfällen herangezogen werden können.
In den Bereichen Produktion und Logistik, welche die Anwendungsfelder von COGNITUS darstellen, wird der Bedarf an neuen, effektiveren Lernansätzen ganz klar durch die Tatsache motiviert, dass Wartungskosten zwischen 15% und 40% der Gesamtkosten darstellen.
Drei Aspekte behindern derzeit jedoch den Einsatz von Deep Learning in diesen Bereichen:
- Modelle sind nicht erklärbar
- es ist unklar wie algorithmische Prognosen in Wartungsprozesse und Entscheidungen einfließen sollen, und
- es fehlen Pilotstudien basierend auf realweltlichen Datensätzen.
Das Ziel von COGNITUS besteht deshalb darin, eine Deep Learning Pipeline bestehend aus generischen algorithmischen Bausteinen zur Verfügung zu stellen, die zur Prognose von Maschinenausfällen auf Basis von Sensor Datenströmen herangezogen werden können. Diese Bausteine sollen dann in zwei unterschiedlichen realweltlichen Anwendungsfällen eingesetzt werden und Ausfälle von Schmuck-Produktionsmaschinen im Bereich Produktion (Swarovski) bzw. Lagertechniksystemen im Bereich Logistik (SPAR) prognostizieren. Orthogonal dazu werden in COGNITUS neue datengetriebene Wartungsprozesse und -strategien entwickelt die Entscheidungen auf Basis algorithmischer Prognosen unterstützen.