Im Zuge der vierten industriellen Revolution ist ein signifikanter Anstieg der Anforderungen an die Maschinenverfügbarkeit zu beobachten. Damit wächst auch der Bedarf an innovativen Instandhaltungsansätzen wie der Predictive Maintenance, mit denen Unternehmen nicht nur Kosten einsparen, sondern auch die Betriebssicherheit steigern und die Lebensdauer der Anlagen verlängern können.
Ziel dieser Arbeit ist die Entwicklung eines intelligenten Fehlererkennungssystems für Großkraftmaschinen. Dieses System basiert auf der Kombination von künstlich generierten Sensordaten und Methoden des Transfer-Lernens und soll in der Lage sein, vom Normalzustand abweichende Maschinengeräusche - ein Frühwarnsignal für potenzielle Ausfälle - zu identifizieren.
Im Rahmen der Dissertation wird dazu die Eignung verschiedener generativer Lernverfahren untersucht, den gegebenen Labordatensatz eines kleinen Versuchsmotors mittels Datensynthese künstlich zu erweitern. Aus den synthetisch erzeugten Daten werden durch intelligente Lernalgorithmen Merkmale extrahiert und dieses Wissen mit Hilfe eines Transfer-Lernmodells auf einen realen Anwendungsfall zur Fehlererkennung übertragen.