Bitte benutzen Sie diese Referenz, um auf diese Ressource zu verweisen: doi:10.22028/D291-36317
Titel: Uncertainty-aware data pipeline of calibrated MEMS sensors used for machine learning
VerfasserIn: Dorst, Tanja
Gruber, Maximilian
Seeger, Benedikt
Vedurmudi, Anupam Prasad
Schneider, Tizian
Eichstädt, Sascha
Schütze, Andreas
Sprache: Englisch
Titel: Measurement: Sensors
Bandnummer: 22
Verlag/Plattform: Elsevier
Erscheinungsjahr: 2022
Freie Schlagwörter: Machine learnin
Dynamic measurement uncertainty
Interpolation
Time series
Predictive maintenance
Low cost sensor network
DDC-Sachgruppe: 620 Ingenieurwissenschaften und Maschinenbau
Dokumenttyp: Journalartikel / Zeitschriftenartikel
Abstract: Sensors are a key element of recent Industry 4.0 developments and currently further sophisticated functionality is embedded into them, leading to smart sensors. In a typical “Factory of the Future” (FoF) scenario, several smart sensors and different data acquisition units (DAQs) will be used to monitor the same process, e.g. the wear of a critical component, in this paper an electromechanical cylinder (EMC). If the use of machine learning (ML) applications is of interest, data of all sensors and DAQs need to be brought together in a consistent way. To enable quality information of the obtained ML results, decisions should also take the measurement uncertainty into account. This contribution shows an ML pipeline for time series data of calibrated Micro-Electro-Mechanical Systems (MEMS) sensors. Data from a lifetime test of an EMC from multiple DAQs is integrated by alignment, (different schemes of) interpolation and careful handling of data defects to feed an automated ML toolbox. In addition, uncertainty of the raw data is obtained from calibration information and is evaluated in all steps of the data processing pipeline. The results for the lifetime prognosis of the EMC are evaluated in the light of “fitness for purpose”.
DOI der Erstveröffentlichung: 10.1016/j.measen.2022.100376
URL der Erstveröffentlichung: https://www.sciencedirect.com/science/article/pii/S2665917422000101
Link zu diesem Datensatz: urn:nbn:de:bsz:291--ds-363178
hdl:20.500.11880/32994
http://dx.doi.org/10.22028/D291-36317
ISSN: 2665-9174
Datum des Eintrags: 1-Jun-2022
Drittmittel / Förderung: EMPIR Met4FoF
Fördernummer: 17IND12
Fakultät: NT - Naturwissenschaftlich- Technische Fakultät
Fachrichtung: NT - Systems Engineering
Professur: NT - Prof. Dr. Andreas Schütze
Sammlung:SciDok - Der Wissenschaftsserver der Universität des Saarlandes

Dateien zu diesem Datensatz:
Datei Beschreibung GrößeFormat 
1-s2.0-S2665917422000101-main.pdfArtikel11,94 MBAdobe PDFÖffnen/Anzeigen


Diese Ressource wurde unter folgender Copyright-Bestimmung veröffentlicht: Lizenz von Creative Commons Creative Commons