Titelaufnahme

Titel
Bayessches Netzwerk für eine vorausschauende Instandhaltung / von Ralf Pühringer
Weitere Titel
Dynamic Bayesian Network for Predictive Maintenance
Verfasser / Verfasserin Pühringer, Ralf
Begutachter / BegutachterinAnsari Chaharsoughi, Fazel ; Sihn, Wilfried
ErschienenWien, 2018
UmfangVI, 146 Blätter : Diagramme
HochschulschriftTechnische Universität Wien, Diplomarbeit, 2018
Anmerkung
Zusammenfassung in englischer Sprache
Anmerkung
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheDeutsch
DokumenttypDiplomarbeit
Schlagwörter (DE)Bayessches Netzwerk / Instandhaltung
Schlagwörter (EN)Bayesian Network / Maintenance
URNurn:nbn:at:at-ubtuw:1-109891 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Bayessches Netzwerk für eine vorausschauende Instandhaltung [8.72 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Das Ziel dieser Arbeit ist es, ein Modell für die wahrscheinlichkeitsbasierte Ereigniserkennung und -analyse im Instandhaltungsmanagement unter Verwendung von Bayesschen Netzwerken (BN) zu entwickeln. Damit ein reibungsloser Einstieg in die Arbeit gewährleistet ist, werden mittels einer Literaturrecherche die Grundzüge der Instandhaltung zusammengefasst. Anschließend wird das Thema der Key Performance Indicator behandelt, indem diese nicht nur theoretisch erklärt werden, sondern auch deren Berechnung genauestens erläutert wird. Diese wird für die spätere Modellbildung benötigt. Im Anschluss wird das Thema BN näher beleuchtet. Dabei werden zu Beginn die Grundlagen beschrieben, um in weiterer Folge den derzeitigen Stand der Technik von BN darzulegen, damit die derzeitigen Grenzen der Anwendung dieser Netzwerke aufgezeigt werden. Die praktischen Anwendungen von BN in Bezug auf Produktion bzw. Instandhaltung finden sich ebenso wie der Stand der Technik in einer SWOT-Analyse wieder, welche die derzeitigen Möglichkeiten in diesem Bereich zusammenfasst. Für die Eignungsüberprüfung eines BN zum Thema vorausschauende Instandhaltung werden Daten eines Produktionsprozesses herangezogen, die mit der Hilfe von Datenanalyse und Evaluierung entsprechend aufbereitet werden. Auf dieser Datengrundlage soll ein BN in zwei verschiedenen Vorgängen modelliert werden. Eine manuelle Modellierung durch den Anwender erstellt ein BN, das in weiterer Folge zu einem dynamischen BN erweitert wird. Außerdem wird mit Softwarehilfe ein BN automatisch erstellt. Zu guter Letzt gilt es die manuelle und die automatische Modellierung miteinander zu vergleichen und die Vorzüge der einzelnen Herangehensweisen hervorzuheben.

Zusammenfassung (Englisch)

The aim of this thesis is to develop a model for probability-based event detection and analysis in maintenance management using Bayesian Networks (BN). To ensure a smooth start to the work, the basics of maintenance are summarized by means of a literature research. Subsequently, the topic of Key Performance Indicator is treated by not only explaining it theoretically, but also explaining the calculation in detail. This is needed for building the model later. Afterwards, the topic BN is highlighted. In the beginning, the basics are described to explain the current state of the art of BN for showing the current limits of the application of these networks. The practical applications of BN in terms of production and maintenance, as well as the state of the art, are reflected in a SWOT analysis, which summarizes the current possibilities in this field. For the suitability check of a BN on the topic of predictive maintenance, data from a production process is used, which are prepared with the help of data analysis and evaluation. Based on the data, a BN is modeled in two different processes. A manual modeling by the user creates a BN, which is subsequently extended to a dynamic BN. In addition, software helps to create a BN automatically. Finally, a comparison between manual and automatic modeling highlights the advantages and disadvantages of each approach.

Statistik
Das PDF-Dokument wurde 72 mal heruntergeladen.