Effiziente Klassifizierung von Control Chart Mustern basierend auf Long-Short-Term-Memory und synthetischen Daten

Abstract

Die Industrie generiert eine immens große Menge an Daten, die oft ungenutzt bleibt. Obwohl fortschrittliche mathematische Methoden das Potenzial bieten, Probleme durch die Analyse dieser Daten zu identifizieren und zu lösen, schrecken viele Unternehmen im kostengetriebenen Industriesektor vor Deep-Learning-Projekten zurück, hauptsächlich aufgrund des enormen Aufwands für die Datenaufbereitung. Dieser Beitrag untersucht die Möglichkeit, die Einstiegshürden für solche Projekte durch die Entwicklung effizienter neuronaler Netzwerke zu reduzieren, die mit synthetischen Daten trainiert werden, die auf realen Messdaten basieren. Im Zuge dieser Untersuchung wurde ein Prototyp einer Monte-Carlo- Simulation entwickelt, der Maschinendaten simuliert. Darauf aufbauend wurde ein Long Short Term Memory (LSTM) Modell implementiert und mit den synthetischen Daten trainiert. Die vorläufigen Ergebnisse zeigen, dass das neuronale Netzwerk in der Lage ist, die Trainingsdaten korrekt abzubilden und adäquate Kategorisierungen für reale Maschinendaten vorzunehmen. Dies legt nahe, dass Machine-Learning-Projekte ohne umfangreiche Datenaufbereitung implementiert werden können. Dennoch sind für eine industrielle Anwendung weitere Anpassungen am Modell erforderlich um eine verlässliche Genauigkeit zu erreichen.

Volltext

Verfügbar auf Anfrage.