Artikel zu Machine-Learning-Technologien zur Prognose von Systemausfällen im „Journal of Manufacturing Systems“ erschienen

von Jörg Leukel am 27.09.2021

In der Zeitschrift Journal of Manufacturing Systems ist der Artikel “Adoption of machine learning technology for failure prediction in industrial maintenance: A systematic review” erschienen. Die industrielle Instandhaltung setzt zunehmend Machine-Learning-Verfahren ein, um Systemausfälle vorherzusagen und auf dieser Basis Instandhaltungsmaßnahmen zielgerichtet zu planen. Zahlreiche Studien weisen bereits auf die Wirksamkeit ML-basierter Prognosemodelle für Systemausfälle hin. Allerdings ist die entstehende Evidenz nur unzureichend dokumentiert und es herrscht noch Unklarheit darüber, welche spezifischen ML-Techniken die Prognosegüte beeinflussen. Hier setzt die Untersuchung von Jörg Leukel, Julian González und Martin Riekert (Universität Hohenheim) an, die in einem systematischen Prozess 34 experimentelle Studien auswählte und hinsichtlich Prognoseproblem, Datensammlung, Datenvorverarbeitung, Modelltraining und Modellevaluation analysierte. Die Untersuchung verdeutlicht (1) die große Bandbreite von Systemen und Domänen, (2) die Nutzung vergleichsweise fortgeschrittener Techniken für Vorverarbeitung und Training, (3) Mängel in den genutzten Evaluationstechniken und (4) große Heterogenität in der Darstellung von Experimentdesigns und -ergebnissen. Anhand dieser Einsichten identifizieren die Autoren künftigen Forschungsbedarf und geben Empfehlungen, wie die Interpretation, Vergleichbarkeit und Zusammenführung der Ergebnisse von Einzelstudien befördert werden könnte.

Der Artikel ist zugangsbeschränkt beim Elsevier-Verlag verfügbar. Alternativ kann die Autorenfassung direkt abgerufen werden.

Zum Artikel