TRAINS-Projekt-Predictive Maintenance
-
© Mohammad Albaba, Mohammad Al Jazzar
Projektbeschreibung: Dieses Projekt beschäftigt sich mit der prädiktiven Instandhaltung von Bahnmotoren, die eine zentrale Komponente von Zügen darstellen. Häufige Zugstörungen und -ausfälle sind oft auf Motorprobleme zurückzuführen. Durch die Überwachung physikalischer Änderungen im Motor mittels Sensoren wurden zuvor umfangreiche Daten, einschließlich Vibrationen und Temperaturen, erfasst. Ziel des Projekts ist es, ein Modell zu entwickeln, das zukünftige Werte für Temperatur und Vibrationen im Motor basierend auf diesen physikalischen Daten vorhersagen kann.
Wir verwenden dabei fortschrittliche Methoden der Zeitreihenanalyse und des maschinellen Lernens, einschließlich Convolutional Neural Networks (CNN), Long Short-Term Memory Netzwerken (LSTM) und Extreme Gradient Boosting (XGBoost). Darüber hinaus wurde mit den großen Datenmengen effizient umgegangen und die Abtastrate angepasst, um die Leistung des Modells zu optimieren. Insgesamt zeigt das Projekt das Potenzial moderner prädiktiver Modelle zur Verbesserung der Zuverlässigkeit von Bahnmotoren.
Wichtige Phasen des Projekts umfassen:
1. Umgang mit Big-Data mit Hilfe von Dask
2. Kombination von verschiedenen Daten (Temperatur und Vibration), die unterschiedlich frequentiert sind
3. Änderung der Abtastrate von Daten
4. Explorative Datenanalyse
5. Training verschiedener Modelle und Vergleich dazwischen
6. Nutzung von univariaten und multivariaten Zeitreihen sowie verschiedenen Skalierungsmethoden der Daten
