%Aigaion2 BibTeX export from Knowledge Engineering Publications %Saturday 18 December 2021 12:03:19 AM @MASTERSTHESIS{, author = {Schmidt, Dennis}, month = mar, title = {Predictive Maintenance: Vorhersage von Stromrichterausf{\"{a}}llen bei G{\"{u}}terz{\"{u}}gen}, year = {2017}, school = {TU Darmstadt}, abstract = {Die DB Cargo verfolgt im Rahmen des „Techlok“-Projektes das Ziel, ein Predictive Maintenance System f{\"{u}}r ihre Flotte zu entwickeln und kooperiert hierzu mit der Technischen Universit{\"{a}}t Darmstadt. Als Teil dieser Kooperation untersucht die vorliegende Masterarbeit die Vorhersage von Stromrichterausf{\"{a}}llen bei Lokomotiven der Baureihe 185. Hierzu wurde von Kauschke et al. (2016) bereits ein erster Prototyp entwickelt. Die Masterarbeit baut auf diesem auf und untersucht im Rahmen der ersten Forschungsfrage, ob es m{\"{o}}glich ist, die Vorhersagequalit{\"{a}}t durch alternative Ans{\"{a}}tze zu steigern. Hierzu werden in drei der vier grundlegenden Bestandteile des bisherigen Systems {\"{A}}nderungen vorgenommen bzw. neue Algorithmen entwickelt. Die Ergebnisse zeigen, dass die Vorhersageleistung durch die Neuerungen gesteigert werden kann. Des Weiteren wird im Rahmen der zweiten Forschungsfrage untersucht, ob es neben einer Warnung des Lokf{\"{u}}hrers vor einem drohenden Stromrichterausfall auch m{\"{o}}glich ist, eine Vorhersage {\"{u}}ber die Zeit bis zum Ausfall zu geben. Hierzu wird ein Multiklassen-Ansatz eingef{\"{u}}hrt und das zuvor entwickelte System angepasst. Die Ergebnisse zeigen, dass die Genauigkeit der Zeitvorhersage mit Hilfe dieses Ansatzes gering ausf{\"{a}}llt und die Zeitvorhersage somit nicht f{\"{u}}r eine praktische Anwendung geeignet ist. Zuletzt wird das entwickelte System im Rahmen der dritten Forschungsfrage aus wirtschaftlicher Sicht untersucht. Als zentrales Ergebnis liefert die Arbeit hierbei ein Kostenmodell, welches zur Bewertung des Systems genutzt werden kann.} }