Publikationen

Predictive Maintenance (PdM) is one of the most important applications of advanced data science in Industry 4.0, aiming to facilitate manufacturing processes. To build PdM models, sufficient data, such as condition monitoring and maintenance data of the industrial application, are required. However, collecting maintenance data is complex and challenging as it requires human involvement and expertise. Due to time constrains, motivating workers to provide comprehensive labeled data is very challenging, and thus maintenance data are mostly incomplete or even completely missing. In addition to these aspects, a lot of condition monitoring data-sets exist, but only very few labeled small maintenance data-sets can be found. Hence, our proposed solution can provide additional labels and offer new research possibilities for these data-sets. To address this challenge, we introduce MEDEP, a novel maintenance event detection framework based on the Pruned Exact Linear Time (PELT) approach, promising a low false-positive (FP) rate and high accuracy results in general. MEDEP could help to automatically detect performed maintenance events from the deviations in the condition monitoring data. A heuristic method is proposed as an extension to the PELT approach consisting of the following two steps: (1) mean threshold for multivariate time series and (2) distribution threshold analysis based on the complexity-invariant metric. We validate and compare MEDEP on the Microsoft Azure Predictive Maintenance data-set and data from a real-world use case in the welding industry. The experimental outcomes of the proposed approach resulted in a superior performance with an FP rate of around 10% on average and high sensitivity and accuracy results.

Aktuelle Untersuchungen zeigen einerseits auf, dass der Mensch weiterhin eine zentrale Rolle in der Industrie spielt. Andererseits ist aber auch klar, dass die Zahl der direkt in der Produktion beschäftigten Mitarbeter sinken wird. Die Veränderung wird dahin gehen, dass der Mensch weniger gleichförmige Prozese bearbeitet, stattdessen aber in der Lage sein muss, sich schnell ändernden Arbeitstätigkeiten azupassen und individualisierte Fertigungsprozesse zu steuern. Die Reduktion der Mitarbeiter hat jedoch auch eine Reduktion von Redunanzen zur Folge. Dies führt dazu, dass dem Einzelnen mehr Verantwortung übertragen wird. Als Folge haben Fehlentscheidungen eine görßere Tragweite und bedeuten somit auch ein höheres Risikio. Der Erfolg einer Industrie 4.0 Kampagne wird daher im Wesentlichen von den Anpassungsfähigkeiten der Mitarbeiter abhängen.

Die Digitalisierung der Industrie wird aktuell sehr stark aus technoogischer Sicht betrachtet. Aber auch für den Menschen ergebn sich vielfältige Herausforderungen in dieser veränderten Arbeitsumgebung. Sie betreffen hautsächlich das Lernen von benötigtem Wissen.