Theory-Guided Data Science zur anwendungsübergreifenden Optimierung datengetriebener Diagnose- und Prognosemethoden bei Prognostics and Health Management

• Antragsteller: Professor Dr.-Ing. Marco Huber; Professor Dr.-Ing. Peter Zeiler
• Fachliche Zuordnung: Mechanik ; Konstruktion, Maschinenelemente, Produktentwicklung ; Produktionsautomatisierung und Montagetechnik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 514247199

Der Einsatz datengetriebener Methoden für die Zustandsdiagnose und –prognose technischer Systeme besitzt bei Prognostics and Health Management (PHM) einen hohen Verbreitungsgrad. Sie beruhen auf der statistischen Modellierung von Zusammenhängen innerhalb der bereitgestellten Trainingsdaten. Daher eignen sie sich nicht zur Extrapolation in Bereiche ohne Trainingsdaten. Des Weiteren kann deren Vorhersage unplausible Werte annehmen, die nicht mit geltenden physikalischen Gesetzmäßigkeiten und anderen Randbedingungen übereinstimmen. Bei PHM sind diese Defizite von erheblicher Relevanz, aufgrund des hohen Kosten- und Zeitaufwands beim Erzeugen umfassender Trainingsdaten. Zur Verminderung dieser Defizite gibt es im maschinellen Lernen Ansätze, die sich mit dem Einbeziehen verschiedener Formen von Kenntnissen über das betrachtete System befassen. Diese werden u. a. als Theory-Guided Data Science (TGDS) bezeichnet. Obgleich bei PHM eine hinreichende physikalische Modellierung von Degradationsprozessen meist nicht möglich ist, sind grundlegende Kenntnisse über das betrachtete System und die Gesetzmäßigkeiten seines Degradationsprozesses in der Regel vorhanden. Das Forschungsvorhaben hat daher zum Ziel, die Defizite datengetriebener Methoden bei PHM zu verringern, indem Kenntnisse zu anwendungsübergreifend auftretenden Gesetzmäßigkeiten eingebunden werden. Im Vorhaben werden zunächst Gesetzmäßigkeiten identifiziert, die bei PHM wiederholt auftreten, und deren Geltungsbereich analysiert. Darauffolgend wird eine Auswahl der relevantesten Gesetzmäßigkeiten getroffen. Der Schwerpunkt des Vorhabens liegt auf der Erforschung, wie diese Gesetzmäßigkeiten im Rahmen von TGDS zur Verbesserung von datengetriebenen Methoden eingesetzt werden können und wie sich die Verbesserung in Abhängigkeit von der Menge an verfügbaren Daten entwickelt. Validiert werden die Forschungsergebnisse mit experimentellen Daten von zwei zueinander heterogenen PHM-Anwendungsfällen. Bei PHM existieren zwar diverse Untersuchungen zur Verknüpfung datengetriebener und physikalischer Modelle durch hybride Methoden. Das vorliegende Forschungsvorhaben hingegen betrachtet die Integration von anwendungsübergreifend bei PHM auftretenden Gesetzmäßigkeiten, welche nicht für eine physikalische Modellierung des Degradationsprozesses ausreichen. Damit hebt es sich signifikant vom Stand der Forschung ab. Zum einen haben die Methoden von TGDS bislang noch keine gezielte Untersuchung bei PHM erfahren. Zum anderen fehlt in der Literatur zu PHM bislang jegliche anwendungsübergreifende Betrachtung der Thematik.

• DFG-Verfahren: Sachbeihilfen