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.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.identifier.citation | fmpro service 6 2022 | en_US |
dc.identifier.uri | https://hdl.handle.net/20.500.12839/1072 | |
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 Article | en_US |
dc.type.csemdivisions | BU-R | en_US |
dc.type.csemresearchareas | Industry 4.0 | en_US |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- Instandhaltung Glücksspiel_csem_def.pdf
- Size:
- 193.29 KB
- Format:
- Adobe Portable Document Format
- Description:
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.82 KB
- Format:
- Item-specific license agreed upon to submission
- Description: