Unsere Arbeit zum kontrastiven Feature Learning für die Fehlererkennung und -diagnose wurde an der 31. European Safety and Reliability Conference (ESREL) vorgestellt
Auf der Hybrid-Konferenz in Angers wurden erneut das große Potenzial und die Fortschritte beim Einsatz von AI im Zusammenhang mit sicherheitsrelevanten Bereichen wie Zustandsüberwachung, Diagnose und Wartung im Allgemeinen aufgezeigt.
Die viertägige Konferenz bot Einblicke in übergeordnete Konzepte wie den Digital Twin, Einblicke in spezifische Anwendungen aus verschiedenen Industriesektoren (Eisenbahn, Off-Shore-Systeme usw.) einschließlich der spezifischen und allgemeinen Herausforderungen sowie neue methodische Entwicklungen, um diese zu bewältigen.
In diesem Zusammenhang haben wir unsere Arbeit vorgestellt, die sich mit der Herausforderung befasst, ein Diagnosemodell zu entwickeln, das einerseits robust gegenüber sich ändernden Betriebsbedingungen (Verschiebung der Datenverteilung) zum Zeitpunkt der Inferenz ist, andererseits aber auch empfindlich gegenüber neuartigen Fehlermustern (Anomalieerkennung) ist. Um dies zu erreichen, wird eine geeignete Merkmalsrepräsentation mit einem kontrastiven Ziel trainiert, die in einem nachfolgenden Schritt klassifiziert (zur Klassifizierung bekannter Fehler unter wechselnden Betriebsbedingungen) und geclustert (zur Erkennung von Anomalien) wird.
Der Lehrstuhl für Intelligente Instandhaltungssysteme fokussiert sich auf die Entwicklung intelligenter Algorithmen, um die Leistung, Zuverlässigkeit und Verfügbarkeit komplexer Industrieanlagen zu verbessern und die Instandhaltung kosteneffizienter zu gestalten. Weitere Informationen finden Sie auf unserer Webseite