Fehlervorhersage für Schrittmotoren durch Methoden des maschinellen Lernens : Merkmalsaufbereitung und Daten-Augmentation bei Zeitreihendatensätzen sowie Gewinnung realer Daten / von M.Sc. Maxime Goubeaud. Wuppertal, 2022
Content
- Abbildungsverzeichnis
- Tabellenverzeichnis
- Abkürzungsverzeichnis
- Einleitung
- Grundlagen
- Permanentmagnetschrittmotor
- Remaining Useful Lifetime Prediction
- Algorithmen des maschinellen Lernens
- Support Vector Machine
- k-Nearest Neighbors
- Convolutional Neural Network
- Transformer
- Variational Autoencoder
- Metriken zur Bewertung von Klassifikationsalgorithmen
- Data Augmentation
- Rekurrenzplots
- Teil I Neue Verfahren zur Erweiterung und Analyse von Zeitreihen-Datensätzen
- Neuartige Methoden zur Erweiterung von Zeitreihen
- Problemstellung
- Zur Evaluierung herangezogene Datensätze
- Erweiterung von Zeitreihen-Datensätzen mit White Noise Windows
- Erweiterung von Zeitreihen-Datensätzen mit Variational Autoencoder
- Erweiterung von Zeitreihen-Spektrogramm-Datensätzen mit Hilfe von Random Noise Boxes
- Zusammenfassung & Diskussion
- Innovativer Ansatz zur Analyse von Zeitreihen mit Hilfe von Rekurrenzplots
- Teil II Implementierung und Evaluierung von Verfahren zur Vorhersage und Vermeidung von Fehlerfällen an Schrittmotoren
- Erstellung eines Dauerversuchsaufbaus zur Gewinnung neuer Daten zur Ausfall- und Anschlagserkennung von Schrittmotoren
- Einführung
- Anforderungen
- Umsetzung des Dauerversuchsaufbaus
- Fehlerfälle
- Überblick über die gewonnenen Daten
- Realisierung einer innovativen Anschlagserkennung für Schrittmotoren
- Praktische Umsetzung eines Systems zur frühzeitigen Erkennung von Fehlern bei Schrittmotoren
- Problemstellung
- Vorangegangene Arbeiten
- Gestaltung der Datenbasis
- Methodik
- Evaluierung
- Zusammenfassung & Diskussion
- Fazit und Ausblick
- Literaturverzeichnis