In order to avoid costly machine breakdowns, proactive schedules are often put in place to substitute wear parts regularly. Currently, the contrary approach of Predictive Maintenance is receiving a lot of attention, as it promises needs-based maintenance. Currently, successful implementations are mainly found in highly standardized industries with a vast history of failure data. These conditions are not fulfilled for custom-built machines, namely here bottling machines. This thesis proposes an approach of combining machine learning with physical knowledge to compensate for missing error data. The approach is applied to bottle transport error cases in filling machines.

First, a physical intuition for the machine and the possible error cases is obtained by creating an analytical physical model, avoiding the need for extensive numerical simulations. Second, errors are detected via one-shot semi-supervised anomaly detection, guided by the physical intuition to narrow down suitable algorithms. The one-shot setup involves a particularly short training phase, with only a single healthy sample. The results of the scoring process are anomaly probabilities that are calculated by comparing new samples with the training sample. Samples with high anomaly probabilities continue into the third step, the classification. The anomalous patterns are compared to error sketches, which are drawn by domain experts and enriched by physical knowledge. This approach has so far not been reported in literature.

This thesis demonstrates that this strategy can pave the way to Predictive Maintenance for custom-built machines. It creates reliable results and allows transfer learning to similar machines naturally. It also allows feedback to domain experts in order to improve the machine construction.

Um kostspielige Maschinenausfälle zu vermeiden, definieren in vielen Fällen proaktive Wartungspläne den regelmäßigen Austausch von Verschleißteilen. Derzeit erfährt der gegenteilige Ansatz der vorausschauenden Wartung viel Aufmerksamkeit, da er eine bedarfsorientierte Instandhaltung verspricht. Erfolgreiche Implementierungen befinden sich derzeit vor allem in hochstandardisierten Branchen mit einer umfangreichen Historie an Ausfalldaten. Diese Bedingungen sind im Sondermaschinenbau, wie in diesem Fall bei Abfüllanlagen, nicht erfüllt. Diese Arbeit schlägt eine Herangehensweise vor, welche maschinelles Lernen mit physikalischem Wissen kombiniert, um fehlende Fehlerdaten zu kompensieren. Der Ansatz wird auf Fehlerfälle im Flaschentransport in Flaschenfüllern angewendet.

Im ersten Schritt erlaubt ein analytisches physikalisches Modell ein grundsätzliches Verständnis von der Maschine und den möglichen Fehlerfällen. Hierbei werden umfangreiche numerische Simulationen vermieden. Im zweiten Schritt erkennt eine Anomaliedetektion (one-shot semi-supervised) Unregelmäßigkeiten. Die physikalische Intuition wird zur Eingrenzung geeigneter Algorithmen herangezogen. Das One-Shot-Verfahren umfasst eine besonders kurze Trainingsphase mit nur einer einzigen Gut-Kurve. Im Scoring wird durch den Vergleich der neuen Kurve mit der Trainingskurve eine Anomaliewahrscheinlichkeit bestimmt. Auffällige Kurven werden im dritten Schritt weiter klassifiziert, indem sie mit Fehlerskizzen verglichen werden. Diese werden von Fachleuten erstellt und mit dem physikalischem Wissen aus dem ersten Schritt angereichert. Diese Herangehensweise benötigt keinerlei gemessene Fehlerdaten und ist bisher einmalig in der Literatur.

Diese Arbeit zeigt eine Strategie auf, welche den Weg zu einer vorausschauenden Wartung im Sondermaschinenbau ebnen kann. Sie führt zu zuverlässigen Ergebnissen und unterstützt direkt den Transfer auf ähnliche Maschinen. Außerdem ermöglicht sie Rückmeldung an die Fachleute, wenn unbekannte Kurven aufgetreten sind. Diese Erkenntnisse können dann helfen, die Maschinenkonstruktion zu verbessern.