Im Rahmen der Arbeit wurde ein mechanischer Lebensdauertest begleitet. Die beobachtete Komponente wurde zu Beginn des Projektes noch nicht in der Produktion eingesetzt. Da vergleichbare Teile über Monate und Jahre hinweg ohne Zwischenfälle im Betrieb sein können, hat man sich auf die Synthese und Analyse von künstlichen Fehlern geeinigt. Ein Fachexperte hat den natürlichen Verschleiss in einem relativ kurzen Zeitfenster simuliert.

Nach dem Erfassen der Rohdaten wurden diese zuerst bereinigt und in ein geeignetes Format gebracht. Die verarbeiteten Daten wurden geplottet und einer Analyse unterzogen. Im Anschluss wurde der Zustand der betrachteten Komponente mithilfe verschiedener Modelle des maschinellen Lernens erkannt und prognostiziert. Abschliessend wurden die trainierten Modelle anhand mehrerer Messwerte verglichen und bewertet.

Das Resultat dieses Data Science Projektes besteht aus einer ausführlichen Datenanalyse. Die gemessenen Werte wurden visualisiert, analysiert und auf Korrelationen geprüft. Es wurden mehrere Modelle des maschinellen Lernens trainiert, welche den Wartungszustand mit sehr hoher Genauigkeit kategorisieren und über variable Zeitfenster hinweg prognostizieren können. Durch die Arbeit hat der Auftraggeber nun ein tieferes Verständnis für die Materie sowie einige Ansätze für künftige Forschungsarbeiten gewonnen. Der Software-Prototyp bietet für nächste Schritte eine gute Basis und lässt sich einfach erweitern.