Remaining Useful Life Prediction for Engines in the NASA C-MAPSS Dataset
Masterthesis
Da die vorausschauende Wartung in modernen technischen Systemen immer wichtiger wird, ist die Fähigkeit, die Restnutzungsdauer (Remaining Useful Life; RUL) kritischer Komponenten genau abzuschätzen und entstehende Fehler zu erkennen, von entscheidender Bedeutung für die Verbesserung der Zuverlässigkeit, Sicherheit und Kosteneffizienz. Der C-MAPSS-Datensatz der NASA bietet einen realistischen Maßstab für die Entwicklung und Erprobung von Methoden auf dem Gebiet des Prognostics and Health Management (PHM). Dieser Bereich bietet vielfältige Möglichkeiten, sowohl modellbasierte (z. B. Kalman-Filter, von der Physik inspirierte Schwellenwerte, Gauß-Prozesse) als auch datengesteuerte (z. B. Deep Learning, neuronale Netze) Ansätze für Fehlerdiagnose und RUL-Vorhersage zu erforschen. Es sollen in mehreren Arbeiten unterschiedliche methodischen Ansätze entwickelt werden, was einen Quervergleich und ein breiteres Verständnis der Prognostik unter realitätsnahen Bedingungen ermöglicht.
Je nach gewählter Richtung kann sich die Arbeit auf analytische Modelle, stochastische Filterung, maschinelle Lernmodelle oder diagnostische Mustererkennungstechniken konzentrieren. Alle Themen zielen darauf ab, einen Beitrag zu einem vergleichenden Rahmen zu leisten, der die Stärken und Kompromisse verschiedener Prognosestrategien bei unterschiedlichen Betriebsprofilen aufzeigt.
Inhalt der Arbeiten:
- Literaturübersicht über modellbasierte und stochastische Methoden zur Fehlerdiagnose und RUL-Vorhersage
- Datenanalyse des C-MAPSS-Datensatzes und Aufsetzen geeigneter Vorverarbeitungsroutinen
- Identifikation und Implementierung geeigneter Algorithmen
- Vergleichende Analyse der Methoden anhand definierter Leistungskennzahlen
- Diskussion der Ergebnisse und möglicher Erweiterungen
- Dokumentation und Präsentation der Ergebnisse
Organisatorisches:
Ab sofort zu vergeben
Kontakt:
Florian Coors, M. Sc. (coors@fsr.tu-darmstadt.de)
Immo Schmidt, M. Sc. (schmidt@fsr.tu-darmstadt.de)
Max Weigert, M. Sc. (weigert@fsr.tu-darmstadt.de)
