Datenbasierte Instandhaltung darf nicht zum Glücksspiel werden

dc.contributor.author	Biggio, Luca
dc.contributor.author	Schmid, Philipp A. E.
dc.contributor.author	Kastanis, Iason
dc.date.accessioned	2022-12-12T09:35:19Z
dc.date.available	2022-12-12T09:35:19Z
dc.date.issued	2022-12-09
dc.identifier.citation	fmpro service 6 2022	en_US
dc.identifier.uri	https://yoda.csem.ch/handle/20.500.12839/1072
dc.description.abstract	Moderne Algorithmen, basierend auf neuronalen Netzwerken (Künstlicher Intelligenz), lassen den Traum von Predictive Maintenance immer mehr zur Wirklichkeit werden. Ein grosser Nachteil dieser Ansätze sind die für den Menschen nicht nachvollziehbaren Ergebnisse. Das Netzwerk, verborgen als grosse magische Blackbox, spuckt eine Vorhersage aus, aber die Plausibilität und Zuverlässigkeit kann nicht abgeschätzt werden. In sicherheitskritischen Bereichen kann dies zu katastrophalen Konsequenzen führen. Ob in der chemischen Produktion, im ATEX-Abfüllbereich oder in Mühlen: bei falscher Interpretation der Algorithmen droht ein Berstscheiben-Durchbruch oder gar ein Brand. In diesem Artikel zeigen wir Möglichkeiten für eine automatische Unsicherheitsabschätzung und beschreiben praktische Anwendungen.	en_US
dc.language.iso	de	en_US
dc.subject	Deep Learning	en_US
dc.subject	Predictive Quality	en_US
dc.subject	Predictive Maintenance	en_US
dc.subject	Uncertainty estimation	en_US
dc.title	Datenbasierte Instandhaltung darf nicht zum Glücksspiel werden	en_US
dc.type	Media	en_US
dc.type.csemdivisions	Div-R	en_US
dc.type.csemresearchareas	Industry 4.0	en_US

Research Publications
The “Research Publications” collection provides bibliographic information for scientific papers including conference proceedings and presentations.