Masterstudium am Institut für Data Science (IDS)

Smarter unterwegs dank intelligenter Wartung (mit Stadler Services) 

Wann muss ein Zug gewartet werden? Gerade ältere Flotten mit begrenzter Sensorik stellen oftmals eine Herausforderung dar, wenn es darum geht, relevante Zustandsparameter zu sammeln. Genau hier setzte unsere MSE Studentin Stephanie Ruch mit ihrer Masterarbeit an. Ihre Entwicklung wird es Stadler Rail ermöglichen, Wartungen präziser zu planen. Sie entwickelte ein innovatives System, das die zustandsbasierte Wartung von Schienenfahrzeugen ermöglicht. Das Ziel: Systemdaten wie Vibrationen, elektrische Ströme, Temperaturen oder Schalldruck direkt an den Komponenten zu erfassen und auszuwerten. Ein konkreter Anwendungsfall war die Installation des Systems an einer Tür der Frauenfeld-Wil-Bahn. Stephanie Ruch konnte dort durch gezielte Tests zeigen, dass bereits geringe Anomalien wie eine reduzierte Spannung des Türriemens eindeutig erkennbar sind. 

Physikinformiertes Deep Learning zur Erkennung von Leistungsverlusten in Solarkraftwerken

Die Stromproduktion in grosstechnischen Photovoltaikanlagen leidet häufig aus unterschiedlichen Gründen unter Ertragsverlusten. Ein häufiger Grund für Leistungsverluste ist die Verschattung der Solarmodule, entweder durch benachbarte Module oder durch externe Objekte wie Bäume oder Gebäude. In diesem Masterprojekt haben wir einen Algorithmus zur Erkennung von Verschattungsverlusten entwickelt, der zwischen diesen beiden Verschattungstypen unterscheiden kann. Dafür kombinierte unser MSE-Student Matthias Wüest ein physikalisches Modell des Verlustmechanismus mit einem tiefen, konvolutionalen neuronalen Netzwerk. Der Algorithmus erreichte eine hohe Erkennungs- und Klassifikationsleistung und wird nun bei unserem Partnerunternehmen eingesetzt, wo er Betreibern von PV-Anlagen eine automatische Überwachung von Leistungsverlusten ermöglicht. 

Anomalieerkennung in Industrie­bildern mit modernen Deep-Learning-Algorithmen 
 

Die Erkennung von Defekten und Abweichungen in Bildern findet Anwendung in verschiedensten Bereichen, darunter medizinische Diagnostik, Objekterkennung für Sicherheit oder autonomes Fahren, Fehlererkennung in der Produktion sowie Schadensüberwachung in Infrastrukturen. In den letzten Jahren gab es einen starken Anstieg an leistungsstarken Modellen, die diese Aufgabe adressieren können. Die grosse Mehrheit dieser Modelle geht dabei von einem sauberen, anomaliefreien Trainingsdatensatz aus. 
In dieser Masterarbeit untersuchte unser Student Pascal Bühler das reale Szenario, in dem ein anomaliefreier Datensatz nicht garantiert werden kann. Welche Auswirkungen hat dies auf die Anomalieerkennungsleistung von Modellen des Deep Learning? Können Algorithmen vorgeschlagen werden, die die Leistung verbessern, wenn sie sich aufgrund einer Kontamination des Datensatzes verschlechtert? Besonders konzentrierte er sich auf Visual-Transformer-Modelle, die in letzter Zeit sehr populär geworden sind. 

Optimale Größe der Business-Class-Kabine auf Kurzstreckenflügen  

Viele Fluggesellschaften nutzen auf ihren Kurzstreckenflügen bewegliche Trennwände, um die Größe der Business- und Economy-Class anzupassen. Diese Arbeit untersucht, wie die optimale Grösse der Business-Class ermittelt werden kann bevor die Plätze in den Verkauf gehen, um den erwarteten Umsatz für jeden Flug zu maximieren. 

Unter Verwendung der „Expected Marginal Seat Revenue“ (EMSR)-Methode werden Flugdaten einer Fluggesellschaft über einen Zeitraum von 12 Monaten analysiert. Die Ergebnisse zeigen, dass eine Optimierung des Kabinenteilers für einzelne Flüge den Jahresumsatz im Vergleich zur aktuellen Situation um 2 % steigern könnte. Diese Optimierung wird stark vom Flugziel und von der Saisonalität beeinflusst. Das Potenzial ist während der Schulferien am höchsten, wenn die hohe Nachfrage in der Economy Class eine verkleinerte Business Class begünstigt. 

Ein einfacherer Ansatz, bei dem eine einzige optimale Position für eine gesamte Route festgelegt wird, wurde ebenfalls untersucht. Obwohl weniger effektiv, bot diese Strategie auf „Routenebene“ für bewegliche Trennwände immer noch eine potenzielle Umsatzsteigerung von etwa 1 %. 

Automatisierte Analyse von Kundenservice-Daten mittels Large Language Models

In einem Schweizer Technologieunternehmen werden im Kundendienst vielfältige Kundenanfragen bearbeitet. Bislang fehlte jedoch eine systematische Transparenz hinsichtlich Anfrageinhalten und Produktbezug – eine zentrale Voraussetzung für die betriebswirtschaftliche Steuerung. Im Rahmen dieser MSE-Arbeit wurde ein lokales Large Language Model prototypisch entwickelt und evaluiert. Das Modell analysiert automatisiert generierte Gesprächsprotokolle und erstellt Klassifikationen, die eine datenbasierte Steuerung und Controlling des Kundendienstes ermöglichen. 

Ökonomische und ökologische Wertschöpfung durch digitale Services im Gebäudemanagement 

Gebäudemanagementsysteme (BMS) sammeln riesige Datenmengen, die oft ungenutzt bleiben. Diese Masterarbeit entwickelt ein Modell, das den wirtschaftlichen und ökologischen Nutzen einer stärkeren Digitalisierung – insbesondere durch Monitoring und Remote-Service – quantifiziert. Anhand eines Praxisfalls aus der Notbeleuchtungsbranche zeigt die Studie, wie digitale Services Effizienz steigern, Kosten senken und Umweltbelastungen reduzieren können. Zudem wird der Übergang von klassischen Pay-per-Service-Modellen zu abonnementbasierten Angeboten analysiert – ein strategischer Schritt für Anbieter, um Wertschöpfung und Nachhaltigkeit zu vereinen. 

Im Rahmen der Arbeit entstand folgendes wissenschaftliches Paper: https://doi.org/10.21256/zhaw-30883  

Soziale Wertschöpfung durch datengetriebene Smart Services

Industrielle Smart Services – wie Remote Service, Predictive Maintenance und digitale Zwillinge – werden meist hinsichtlich ökonomischer und ökologischer Vorteile bewertet. Diese Masterarbeit geht einen Schritt weiter und entwickelt ein quantitatives Modell zur Analyse ihrer sozialen Auswirkungen auf verschiedene Stakeholder. Anhand einer Fallstudie im Bereich Smart Waste Management untersucht die Arbeit, wie diese Services Gesundheit, Sicherheit, Beschäftigung und Wohlbefinden beeinflussen und analysiert die Zielkonflikte zwischen sozialem und wirtschaftlichem Nutzen. Die Ergebnisse zeigen: Datengetriebene Services können unter den richtigen Bedingungen erhebliche soziale Vorteile schaffen und bieten ein Rahmenwerk für eine nachhaltige industrielle Transformation. 

Anomalieerkennung unter Berücksichtigung von Unsicherheiten für die Überwachung des Flugzeugzustands

Der steigende Bedarf an einer Optimierung des Flottenmanagements und einer Maximierung der Flugzeugverfügbarkeit hat zur Entwicklung genauerer Tools für die frühzeitige Erkennung von Anomalien geführt. Die zentrale Idee besteht darin, Betriebsunterbrechungen aufgrund von Wartungsmaßnahmen zu minimieren und so die Betriebszeit der Flugzeuge zu erhöhen. Dieses Projekt, das in Zusammenarbeit mit einem Schweizer Flugzeughersteller durchgeführt wird, konzentriert sich auf die Entwicklung und Bewertung neuer Modelle und Methoden zur Erkennung von Anomalien auf der Grundlage realer Wartungsdaten und repräsentativer Anwendungsfälle. 

Ein wichtiger Beitrag des Projekts ist die Integration der Unsicherheitsquantifizierung (UQ) in den Workflow zur Anomalieerkennung. UQ ermöglicht es Modellen, nicht nur Vorhersagen zu generieren, sondern auch ihre Zuverlässigkeit auszudrücken, indem sie zwischen aleatorischer Unsicherheit (inhärentes Rauschen und Variabilität in den Daten) und epistemischer Unsicherheit (resultierend aus begrenztem Wissen oder Modellunvollkommenheiten) unterscheiden. 

Es wurden mehrere praktische UQ-Methoden implementiert, darunter heteroskedastische neuronale Netze, die inputabhängige Varianzschätzungen lernen, und Monte-Carlo-Dropout, das eine effiziente Annäherung an epistemische Unsicherheit ermöglicht. Diese Methoden bildeten die Grundlage für ein unsicherheitsbewusstes Rahmenwerk zur Anomalieerkennung, das unter Verwendung eines offenen Datensatzes entwickelt und validiert wurde.