%Aigaion2 BibTeX export from Knowledge Engineering Publications
%Saturday 05 December 2020 03:45:17 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.}
}