Entwicklung und Untersuchung von Verfahren zur daten- getriebenen Fehlerdiagnose und prädiktiven Fehlererkennung für Geräte aus dem Produktportfolio der Miele & Cie. KG

Aufgrund der fortschreitenden Digitalisierung, entwickeln sich klassische Produkte immer mehr zu vernetzten informationstechnischen Systemen. Hierdurch ergibt sich ein großes Potential, die bestehenden Technologien und Geschäftsmodelle im produzierenden Gewerbe um daten- getriebene Varianten zu erweitern. Dies motiviert Unternehmen wie die Miele & Cie. KG dazu, ihre stetig wachsende Datengrundlage durch die IoT-fähigen Geräte gewinnbringend zu nutzen. Chancen ergeben sich in der Verbesserung des bereits mehrfach ausgezeichneten Kundendienstes. Dieser steht durch hohe manuelle Aufwände, einer steigenden Komplexität sowie Variantenvielfalt der Geräte vor neuen Herausforderungen. Um dem entgegenzuwirken, hat sich die Miele & Cie. KG zum Ziel gesetzt, intelligente Geräte mit der Fähigkeit zur prädiktiven Selbstdiagnose zu entwickeln. Durch eine immer größer werdende Datengrundlage und die steigende Performanz und Verfügbarkeit von Rechenleistung, ist es möglich mittels Methoden der künstlichen Intelligenz immer komplexer werdende Aufgaben wie die einer prädiktiven Selbstdiagnose zu lösen. Bekannt ist dieses Verfahren unter dem Begriff Predictive Maintenance, worunter vielfältige Forschungstätigkeiten u.a. im Produktionsumfeld zu finden sind. Basierend auf der Historie des Systemzustandes erfolgt hierbei eine Prognose über zukünftige Ausfälle, die ein rechtzeitiges Eingreifen in das System ermöglicht und somit zur Verbesserung der Fehlerdiagnose beiträgt.

Unterstützung bei der Entwicklung von intelligenten Geräten mit der Fähigkeit zur prädiktiven Selbstdiagnose aus dem Miele-Produktportfolio.

Im Rahmen der Entwicklung von intelligenten Geräten mit der Fähigkeit zur prädiktiven Selbstdiagnose gilt es die vielfältigen unternehmerischen Hintergründe und Anforderungen mit dem aktuellen Forschungsstand im Bereich Data Science und Predictive Maintenance in Verbindung zu bringen, und so eine spezifische Data-Mining-Aufgabe abzuleiten. Im Data Mining wird zwischen den Verfahren des supervised, unsupervised und semisupervised Learnings unterschieden, die sich in dem Vorhandensein von gelabelten, ungelabelten und teilgelabelten Daten unterscheiden und die Grundlage für diverse Methoden des Machine Learnings bilden. Bezüglich Predictive Maintenance stellt das Label den System- bzw. Fehlerzustand eines Gerätes dar. Eine Herausforderung besteht darin, die Daten mit den Labeln zu annotieren. Hierbei spielt sowohl die Annotation selbst, als auch die Definition einer für das Machine Learning geeigneten Klassifikationsmenge eine Rolle. Demnach gilt es, die Potentiale für eine realitätsnahe Umsetzung mittels verschiedener Machine-Learning-Ansätze zu identifizieren. Hierfür steht dem Studierenden ein semi-strukturiertes Data Repository in Form eines Data Lakes zur Verfügung, in welchem sich spezifische Datenobjekte von Haus- und Gewerbegeräten aus dem Feld und aus Dauertests befinden. Des Weiteren bieten sich multivariate Open-Source- Datensätze an, woran sich das Potential und die Machbarkeit lernender Algorithmen ermitteln lassen. Infolge der Identifikation von Potentialen erfolgt die Auswahl eines bestimmten Use Cases im Bereich Predictive Maintenance, für den eine prototypische Umsetzung (PoC) durch- zuführen ist. Damit eine End-to-End-Lösung zur Anwendung von Predicitve Maintenance entwickelt werden kann, müssen geeignete Algorithmen ausgewählt und gemäß der Problemstellung angepasst werden. Diese Auswahl und Anpassung wird im Rahmen der Masterarbeit behandelt und zielt auf ein Konzept zur End-to-End-Realisierung ab. Insgesamt werden auf diese Weise anhand eines realen Anwendungsfalls alle Schritte des Data-Science-Workflows durchlaufen. Die Bearbeitung erfolgt in enger Zusammenarbeit mit dem Team des Geschäftsbereichs Smart Home der Miele & Cie. KG sowie dem Center for Applied Data Science.

Bezug zum Thema Data Science
Im Rahmen des Forschungsprojekts werden diverse Fragenstellungen aus dem Bereich Data Science bearbeitet. Es werden Grundlagen geschaffen, die für eine spätere Umsetzung auf Seriengeräten erforderlich sind:

• Welche Verfahren und ML-Modelle eigenen sich zur prädiktiven Fehlerdiagnose?
• Wie können die Verfahren und ML-Modelle zur problemspezifischen Lösung erweitert und/oder angepasst werden?
• Wie ist die Parametrierung dieser Modelle zu wählen?
• Wie und welche Modelle können in einem Miele-Gerät und welche müssen in der Cloud implementiert werden?
• Welche Datenvariablen sind in welcher -qualität erforderlich?
• Wie kann ein ganzheitlicher Data-Science-Workflow aussehen?

Durch einen anwendungsorientierten Einsatz von Techniken der AI und Data Science gilt es die Miele & Cie. KG bei der Beantwortung dieser Fragestellungen zu unterstützen.

Verfügbare Ressourcen
Dem Studierenden steht eine breite und fortlaufend wachsende Datengrundlage von Geräten der Miele & Cie. KG aus dem Feld und aus Dauertests zur Verfügung. Des Weiteren wird eine Data-Science-Plattform zur Verfügung gestellt, in welcher die wesentlichen Entwicklungsarbeiten durchzuführen sind. Die benötigte Entwicklungsumgebung wird ebenfalls von der Miele & Cie. KG bereitgestellt. Als Ansprechpartner für das Forschungsprojekt dienen Dr. Florian Nielsen und Dr. Martin Krüger aus dem Geschäftsbereich Smart Home der Miele & Cie. KG sowie der betreuende Professor Dr.-Ing. Martin Kohlhase aus dem Center for Applied Data Science.

Projektplan
Erstes Semester: Einarbeitung in das Themengebiet inklusive Literaturrecherche sowie Identifikation der Unternehmensfragestellung und Abgrenzung der Forschungsfrage hinsichtlich einer prädiktiven Selbstdiagnose im Kontext des Data Minings. Erstellung eines Forschungsexposés ist Prüfungsleistung.

Zweites Semester: Identifikation von Potentialen für eine realitätsnahe Umsetzung prädiktiver Diagnosen mittels verschiedener Machine-Learning-Ansätze (supervised, unsupervised, semisupervised). Erstellung eines Papers über den aktuellen Stand der Forschung in diesem Gebiet ist Prüfungsleistung.

Drittes Semester: Explorative Analyse der Datengrundlage sowie erste prototypische Umsetzung von Predictive Maintenance im Rahmen eines PoCs. Erstellung eines Papers mit ersten quantitativen Forschungsergebnissen ist Prüfungsleistung.

Viertes Semester: Auswahl und Anpassung geeigneter Algorithmen hinsichtlich der Problemstellung zur Konzeptionierung einer End-to-End-Realisierung für Predictive Maintenance im Rahmen der Masterarbeit und des Kolloquiums.

Eignungskriterien
Zwingend: 

• Grundkenntnisse der Informatik
• Erfahrungen in dem Umgang mit Tools zur Auswertung großer Datenmengen, wie z.B. MATLAB/Simulink, Python
• •Teamfähigkeit und Interesse an wissenschaftlicher Arbeit

Optional: 

• Erfahrungen in den Bereichen der Regelungs- und Automatisierungstechnik und der Visualisierung von Daten und deren Zusammenhänge

Erwerbbare Kompetenzen

• Praktischer Einsatz verschiedener Verfahren des maschinellen Lernens
• Big-Data-Workflows unter Verwendung des Azure-Ökosystems
• Maschinelle Lernverfahren im Bereich der Zeitreihenanalyse
• Aufbereitung und Darstellung von Analyseergebnissen
• Wissenschaftliches Arbeiten, Schreiben und Präsentieren