Samenvatting

Er wordt de laatste jaren steeds vaker gesproken over predictive maintenance, het voorspellen van onderhoud aan apparatuur waarbij die voorspelling is gebaseerd op de staat van dat apparaat. Er wordt continu gemeten en pas ingegrepen als de metingen aangeven dat het fout gaat. Om deze metingen te kunnen analyseren, zijn goede modellen nodig. Apparatuur wordt complexer en meetsituaties chaotischer en de uitdaging om een goed model te maken voor deze complexe meetsystemen wordt dus ook steeds groter. Een manier van modelgeneratie die opgewassen lijkt tegen deze omstandigheden, is deep learning: het toepassen van diepe neurale netwerken.

Bij het lectoraat Data Science aan de HZ University of Applied Sciences wordt recent aandacht besteed aan predictive maintenance. Het lectoraat is daarbij benieuwd naar de toepassingen van deep learning. Men is benieuwd wat de concrete waarde kan zijn van deep learning bij het voorspellen van onderhoud. Om dit te onderzoeken, is de volgende vraag geformuleerd: "Is het mogelijk om door deep learning toe te passen op vibratiedata beter te voorspellen wanneer een apparaat onderhoud nodig heeft dan met traditionele methoden?".

Vervolgens zijn met een dataset en de regels van de PHM IEEE 2012 Data Challenge drie methoden van deep learning onderzocht. De in dit onderzoek voorgestelde methode, getraind op gestandaardiseerde fourier transformaties van vibratiesignalen, scoort even goed als de winnaar van de PHM IEEE 2012 Data Challenge. Deze methode combineerde geavanceerde statistiek en mechanica, terwijl de methode uit dit onderzoek weinig tot geen domeinspecifieke kennis behoeft om toch succesvol gebruikt te worden. Daarmee lijkt de in dit onderzoek ontwikkelde methode een goed antwoord te geven op de hoofdvraag, en concrete kennis en tooling te geven aan het lectoraat Data Science.