Machine Learning Approaches for Failure Type Detection and Predictive Maintenance

With an increasing number of embedded sensing computer systems set up in production plants, machines, cars, etc., there are new possibilities to monitor and log the data from such systems. This development makes it possible to detect anomalies and predict the failures that affect maintenance plans. This thesis divides the field of failure type detection and predictive maintenance into subsections that focus on its realization by a machine learning technique, where each area of failure type detection and predictive maintenance explains and summarizes the most relevant research results in recent years. Each technique introduced is considered from a failure type detection and predictive maintenance perspective, highlighting its assets and drawbacks. An overview in tabular form shows the direction of the current research activities. It will be shown that many issues in the area of feature extraction, feature selection, and data labeling have not been researched so far. Zusammenfassung Die zunehmende Anzahl eingebetteter Sensorsysteme, die in Produktionsanlagen, Maschinen, Autos, usw. implementiert werden, eröffnet neue Möglichkeiten, um ein solches System zu überwachen und Objektdaten zu erfassen. Diese Entwicklung ermöglicht es, Anomalien zu detektieren und Fehler, die wiederum Auswirkungen auf Wartungspläne haben, vor dem eigentlichen Auftreten zu erkennen. Diese Arbeit teilt das Forschungsfeld der Fehlertypenkennung und prädiktiven Wartung in Teilgruppen auf und fokussiert sich auf Umsetzungen mithilfe maschineller Lernverfahren. Jeder Teilbereich der Fehlertypenkennung und prädiktiven Wartung wird erklärt und die Forschungsergebnisse der letzten Jahre in den einzelnen Bereichen zusammengefasst. Jede vorgestellte Technik wird mit deren Vorund Nachteile für die Fehlertypenkennung und prädiktiven Wartung betrachtet. Ein tabellarischer Überblick zeigt die aktuelle Forschungsrichtung der Teilbereiche. Weiter werden Problemstellungen in den Bereichen Feature-Extraction, Feature-Selection und Data-Labeling aufgezeigt, die bislang noch nicht untersucht worden sind. Acknowledgment At first, I would like to thank my thesis advisors, Prof. Johannes Fürnkranz and Dr. Frederik Janssen, who accepted my thesis proposal and made this work possible by offering their advice and support. Furthermore, I would like to express my gratitude to Dr. Immanuel Schweizer for the considerable amount of time that he invested in answering my early questions, as well as for the interesting discussions and organizational support. Moreover, I would like to thank Dr. Andrei Tolstikov, Dipl. Inf. Sebastian Kauschke, Dr. Axel Schulz and Simon Hofmann for their technical support and efforts. Finally, I would like to thank my wife Kerstin and my children, Paul Maximilian and Hendrick Lennard, as well as my parents, who have always stood by me and dealt with my absence from many family occasions with a smile and never-ending support.