Die Integration datengetriebener Modelle, insbesondere von maschinellem Lernen für Zustandsüberwachung und vorausschauende Instandhaltung, bietet Unternehmen, vor allem kleinen und mittleren Unternehmen (KMU), erhebliche Chancen zur Kostensenkung, nachhaltigeren Betriebsführung und langfristigen Wettbewerbsfähigkeit. Vielen KMU fehlen jedoch die notwendigen Ressourcen und das Fachwissen, um aus Daten Erkenntnisse zu gewinnen und eigene Lösungen auf Basis von maschinellem Lernen zu integrieren. Um dieser Herausforderung zu begegnen, wird ein Framework vorgestellt, das die automatisierte Generierung datengetriebener Modelle ermöglicht. Der Fokus liegt dabei auf Zustandsüberwachung und vorausschauender Instandhaltung, das Framework ist aber auch auf andere Anwendungsfälle übertragbar. Anhand eines Datensatzes der Data Challenge 2022 der Prognostics and Health Management Society wird gezeigt, dass das Framework leistungsstarke Modelle mit F1-Scores von bis zu 0,998, beispielsweise für eine Klassifizierungsaufgabe, generieren kann.

Veröffentlichungen zu dem Thema:

• Experimental Dataset: Force and Displacement Measurements of Four Rubber-Metal Bushing Types from a Passenger Car under Harmonic Displacement Excitation
• Facilitating the Automated Generation of Data-Driven Models for the Diagnostics and Prognostics of Technical Systems
• Run-to-failure data set of ball bearings subjected to time-varying load and speed conditions