Generische Bausteine für verständliche, auf Deep Learning basierende Ausfallvorhersagen

Das Ziel von COGNITUS ist es, eine Deep-Learning-Pipeline mit einer Reihe von generischen algorithmischen Bausteinen für die Vorhersage von Maschinenausfällen auf der Grundlage von Sensordatenströmen bereitzustellen.

Die Innovation in COGNITUS wird durch seinen interdisziplinären Charakter vorangetrieben, der die Kombination von Fachwissen aus den Bereichen Datenwissenschaft und Wartungsplanung ermöglicht. Daraus ergeben sich neuartige integrierte Methoden der Datenwissenschaft und Wartungsplanung, die mehrere offene wissenschaftliche und technische Herausforderungen angehen, z. B.: Training und Einsatz von Deep-Learning-Modellen auf horizontal skalierbaren Daten-Streaming-Frameworks, Erforschung und Visualisierung von Streaming-Daten und Untersuchung von Sondierungstechniken zur Untersuchung der inneren Struktur von trainierten Deep-Learning-Modellen. COGNITUS wird auch prototypische Dashboards implementieren und untersuchen, wie algorithmische Vorhersagen an den Endnutzer kommuniziert werden können und dabei bestehende Wartungssoftwarelösungen in Bezug auf die Nutzererfahrung übertreffen.

Die erwarteten Ergebnisse von COGNITUS sind:

• Datengesteuerte Wartungs- und Entscheidungsunterstützungsmodelle unter Berücksichtigung algorithmischer Vorhersagen bei der Entscheidungsfindung.
• Algorithmen zur Datenanalyse und -visualisierung, die auf Datenströmen aufbauen.
• Softwarebibliotheken zur Unterstützung des Trainings und der Bewertung von Deep Learning-basierten Modellen zur Ausfallvorhersage.
• Zwei Pilotprojekte in den Bereichen Produktion und Logistik zur Bewertung und Quantifizierung der Vorteile auf betrieblicher und geschäftlicher Ebene.

Partner: SPAR, Swarovski, LineMetrics, Fraunhofer Austria

Fakten:

• Projektbeginn: Oktober 2019
• Projektdauer: 36 Monate
• Haushaltsmittel: ca. 700k EUR
• Förderung: FFG

Webpage: https://cognitus-project.info/