Für die vorausschauende Wartung („Predictive Maintenance“) in der Luftfahrt sind hochwertige, gut verarbeitete Daten erforderlich, um genaue Modelle für maschinelles Lernen zu erstellen. Die Zuverlässigkeit dieser Modelle hängt stark davon ab, wie Daten gesammelt, bereinigt und für die Analyse vorbereitet werden. Luftfahrtdaten sind jedoch oft komplex, heterogen und unvollständig. Der Schwerpunkt dieser Arbeit liegt auf der Entwicklung eines systematischen Rahmens für die Sammlung, Organisation und Vorverarbeitung von Daten zur Unterstützung prädiktiver Wartungsanwendungen in der Luftfahrt.
Ziele:
Das Ziel dieser Arbeit ist die Erfassung, Vorverarbeitung und Analyse von Luftfahrtwartungsdaten, um Muster, Korrelationen und Trends zu identifizieren, die für die vorausschauende Wartung („Predictive Maintenance“) relevant sind. Durch die Studie wird ein sauberer, gut strukturierter Datensatz erstellt, der als Grundlage für die Vorhersagemodellierung in nachfolgenden Forschungsarbeiten (Masterarbeit) dienen kann.
Forschungsfragen:
- Welche Arten von Daten sind für die vorausschauende Wartung („Predictive Maintenance“) in der Luftfahrt verfügbar und relevant?
- Welche Vorverarbeitungsschritte sind erforderlich, um Rohdaten in ein geeignetes Format für Modelle des maschinellen Lernens umzuwandeln?
- Welche ersten Muster oder Korrelationen können in den Daten identifiziert werden, die möglicherweise einen Komponentenausfall vorhersagen?
Aufgaben:
- Datenerfassung: Simulieren Sie reale Daten aus öffentlich zugänglichen Repositories wie dem C-MAPSS-Datensatz der NASA oder greifen Sie darauf zu.
- Datenvorverarbeitung: Implementieren Sie Vorverarbeitungsschritte, einschließlich Normalisierung, Merkmalsskalierung und Ausreißererkennung. Führen Sie eine explorative Datenanalyse (EDA) durch, um Trends und Beziehungen im Datensatz aufzudecken.
- Validierung: Testen Sie das Framework, indem Sie Daten für ein ML-basiertes Predictive-Maintenance-Modell vorbereiten und dessen Auswirkungen auf die Modellleistung bewerten.
Diese Arbeit wird eine Grundlage für die vorausschauende Wartung („Predictive Maintenance“) schaffen, indem sie die Datenqualität sicherstellt, Fehler in ML-Modellen reduziert und genauere Fehlervorhersagen in der Luftfahrt unterstützt.
Dauer: 3 Monate
Weitere Informationen bei:
Dr. Thomas Feuerle, t.feuerle@tu-braunschweig.de
Parth Purohit, parth-yogeshbhai.purohit@tu-braunschweig.de