Abschlussarbeit

Im Zuge der vierten industriellen Revolution ist ein signifikanter Anstieg der Anforderungen an die Maschinenverfügbarkeit zu beobachten. Damit wächst auch der Bedarf an innovativen Instandhaltungsansätzen wie der Predictive Maintenance, mit denen Unternehmen nicht nur Kosten einsparen, sondern auch die Betriebssicherheit steigern und die Lebensdauer der Anlagen verlängern können. Ziel dieser Arbeit ist die Entwicklung eines intelligenten Fehlererkennungssystems für Großkraftmaschinen. Dieses System basiert auf der Kombination von künstlich generierten Sensordaten und Methoden des Transfer-Lernens und soll in der Lage sein, vom Normalzustand abweichende Maschinengeräusche - ein Frühwarnsignal für potenzielle Ausfälle - zu identifizieren. Im Rahmen der Dissertation wird dazu die Eignung verschiedener generativer Lernverfahren untersucht, den gegebenen Labordatensatz eines kleinen Versuchsmotors mittels Datensynthese künstlich zu erweitern. Aus den synthetisch erzeugten Daten werden durch intelligente Lernalgorithmen Merkmale extrahiert und dieses Wissen mit Hilfe eines Transfer-Lernmodells auf einen realen Anwendungsfall zur Fehlererkennung übertragen.

Die rasante Entwicklung der vierten industriellen Revolution stellt die Unternehmen an einen Scheideweg. Es muss entschieden werden, ob weiter gearbeitet wird wie bisher oder ob der Weg der digitalen Transformation eingeschlagen wird. Diese Entscheidung wird durch die zunehmende Überalterung und den damit einhergehenden Fachkräftemangel zusätzlich erschwert. Einerseits sollen Aufgaben an Technologien abgegeben werden, andererseits fehlt die Expertise, diese Übergabe zu gestalten und beispielsweise potenziell vorhandene Unternehmensdaten zu nutzen. Das entwickelte praxisorientierte Data Science Vorgehensmodell schließt die Lücke bisheriger Vorgehensmodelle, indem es nicht nur technische, sondern auch menschlich-organisatorische Aspekte beleuchtet. Letztere sind gerade bei interdisziplinären und komplexen Projekten von besonderer Relevanz, da ohne deren Berücksichtigung Projekte häufig scheitern und nicht in die Praxis überführt werden. Durch den systematischen Aufbau mit klaren Herleitungen, Fragen und Werkzeugen bietet es auch fachfremden Expert/-innen und insbesondere kleinen und mittleren Unternehmen eine Möglichkeit, den Einstieg und die Umsetzung solcher Projekte zu meistern.

Scheduling complex production processes in real time is a challenging task because it typically takes hours to find optimal schedules. In recent years, reinforcement learning (RL) has shown great potential for solving complex scheduling problems. An appropriately trained RL agent can quickly respond to similar situations with near-optimal strategies to achieve good enough or even brilliant performance. This work presents an efficient methodology to apply the deep Q-learning algorithm to integrated process planning and scheduling. The presented RL methods were proven to be efficient in finding near-optimal schedules in real time. Meanwhile, the trained RL agents show great flexibility in handling process deviations without sacrificing production performance.