Projektpartner
Grundlegende Problemstellung und Zielsetzung
Allgemein:
Den Ausfall eines Flugzeugtriebwerks frühzeitig vorherzusagen ist sowohl für die Piloten, als auch Passagiere, vorteilhaft, da keine unerwartete Zwischenlandung oder gar ein Absturz eintritt. Die Wartung kann entsprechend geplant, Ersatzteile zeitlich passend bestellt und Wartungspersonal eingeplant werden.
Problem:
Sensoren an unterschiedlichen Stellen des Flugzeugtriebwerks liefern Werte verschiedener Arten, welche sich Zeitreihen nennen. Diese können meist nicht direkt in ein maschinelles Lernverfahren gegeben werden.
Ziel:
Das Aufarbeiten der Zeitreihen, sodass eine Repräsentation fester Größe resultiert, damit klassisches maschinelles Lernen angewendet werden kann.
Keywords / Stichworte: Intelligente Zustandsüberwachung und Wartung
Technisches System
Die ML-Lösung wurde auf Grundlage von simulierten Daten eines Flugzeugtriebwerks entwickelt.
Welche Sensoren sind in der Technologie integriert?
- Es wurden verschiedene Betriebsbedingungen simuliert, die anhand von 3 Sensoren aufgezeichnet wurden.
- Durch weitere 21 Sensoren wurde das simulierte Verhalten verschiedener Bauteile aufgezeichnet.
Welche Daten werden erhoben?
- Es werden Zeitreihen-Daten der jeweiligen Sensoren aufgenommen, wobei je Simulation der Zeitraum von der Installation bis zum Fehler abgedeckt ist.
- Die verwendeten Daten sind open-source unter folgendem Link zu finden:
https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/#turbofan
Lösungsansatz
ML-Methode:
Die ML-Lösung wurde mit Hilfe von automatisiertem maschinellem Lernen (AutoML), also der automatischen Kombination und Konfiguration von verschiedenen ML-Verfahren, entwickelt. Eine solche ML-Lösung besteht auf der einen Seite aus Verfahren zur Merkmalsextraktion aus Zeitreihendaten, und auf der anderen Seite aus einem Regressionsverfahren, das für die Vorhersage der Restlebenszeit verantwortlich ist.
AutoML-Methode: Per kooperativer Coevolution wird eine möglichst gute Kombination und Konfiguration von ML-Verfahren gesucht. Dazu werden auf der einen Seite Merkmalsextraktionsverfahren ausgewählt und konfiguriert, um sie anschließend mit verschiedenen Regressionsverfahren zu kombinieren. Dadurch kann sowohl die Güte der Kombinationen als auch die Güte der Merkmalsextraktion bewertet werden. Dies beeinflusst maßgeblich, welche Kandidaten im nächsten Durchgang betrachtet werden.
Nach welchen allgemeinen inhaltlichen Kriterien werden Entscheidungen getroffen? Wie ist deren Gewichtung?
Die Güte einer ML-Lösung, also der konfigurierten Kombination eines Merkmalsextraktionsverfahrens und eines Regressionsverfahrens, wird anhand einer asymmetrischen Fehlerfunktion bestimmt. Diese bewertet Unterschätzungen der Restlebenszeit deutlich besser als Überschätzungen, wodurch vorwiegend ML-Lösungen bevorzugt werden, die eher unter- als überschätzen.
Beispielimplementation
Hier geht es direkt zur Beispielimplementation dieser Lösung.
Präsentationen und Publikationen
Tornede, T., Tornede, A., Wever, M., & Hüllermeier, E. (2021, June). Coevolution of remaining useful lifetime estimation pipelines for automated predictive maintenance. In Proceedings of the Genetic and Evolutionary Computation Conference (pp. 368-376).
Ansprechpartnerin
Tanja Tornede, M.Sc.
Email
Software Innovation Lab in the SICP
Paderborn University
https://www.sicp.de/