On automatic machine learning for industrial condition monitoring

Abstract

This thesis studies the question of how to utilize automated machine learning in industrial condition monitoring. The typical issues encountered are addressed, and a modular machine-learning approach is developed to solve them. Namely, it is easily applied with little machine learning knowledge due to full automation. It applies to various condition monitoring scenarios due to mutually complementing algorithms and toolbox-like structures. Its results are physically interpretable, creating an extra layer of trust and allowing deeper process understanding, while the prediction quality is on par with neural networks in robustness tests. Furthermore, the approach facilitates deployment on low-cost, high-efficiency edge hardware close to the sensors. That, in turn, reduces energy costs and required communication bandwidth compared to cloud computing. Additionally, the approach includes novelty detection and concepts that utilize it for outlier detection, monitoring of supervised learning, and detection of previously unknown faults. All named capabilities have been extensively and successfully compared to other approaches in different exemplary application scenarios. This success started the Data Engineering and Smart Sensors group at ZeMA and the Lab for Measurement Technology that further researched and extended the approach, e.g., by traceable uncertainty estimation following the Guide to the Expression of Uncertainty in Measurement.

Diese Thesis beschäftigt sich mit der Frage, wie automatisiertes maschinelles Lernen für industrielle Zustandsüberwachung eingesetzt werden kann. Ausgehend von dabei typischerweise auftretenden Problemen wird ein automatisiertes Konzept zu deren Lösung entwickelt. Es ist durch die Automatisierung ohne tiefes Verständnis maschinellen Lernens einsetzbar. Weiterhin deckt es mit sich gegenseitig ergänzenden Algorithmen und einer offenen Baukastenstruktur ein breites Anwendungsspektrum ab. Die gelernten Modelle sind physikalisch interpretierbar, was zu ihrer Vertrauenswürdigkeit beiträgt und den Aufbau zusätzlichen Prozessverständnisses ermöglicht. Gleichzeitig ist ihre Robustheit der von neuronalen Netzen gewachsen. Das Konzept kann auf kostengünstiger Rechenhardware direkt am Sensor umgesetzt werden, was im Vergleich zu Cloud-Computing notwendige Bandbreite und Energiebedarf reduziert. Darüber hinausgehend werden Konzepte zur Anomalieerkennung entwickelt, die Ausreißerdetektion, Überprüfung des überwachten Lernens oder Erkennung bisher unbekannter Schäden ermöglichen. Alle genannten Fähigkeiten wurden in mehreren Anwendungen mit denen anderer Konzepte verglichen. Die erzielten Erfolge führten zur Entstehung der Gruppe für Data Engineering and Smart Sensors am ZeMA und am Lehrstuhl für Messtechnik, in der diese Forschung weitergeführt und ausgebaut wurde. Zum Beispiel wurde die Berechnung der Messunsicherheit nach Guide to the Expression of Uncertainty in Measurement erweitert.