Root Cause Analysis in Sparsely Labeled Environments using Machine Learning

Item type:	Thesis of the University of Regensburg (PhD)
Open Access Type:	Primary Publication
Date:	2 April 2024
Referee:	Prof. Dr. Elmar W. Lang
Date of exam:	22 March 2022
Institutions:	Biology, Preclinical Medicine > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Keywords:	Machine Learning; Artificial Intelligence; Root Cause Analysis; Graph Neural Network; Active Learning; Multi-Task Learning; Transfer Learning; Random Forest; Label efficient; Dynamic Time Warping;
Dewey Decimal Classification:	000 Computer science, information & general works > 004 Computer science 500 Science > 530 Physics 500 Science > 570 Life sciences
Status:	Published
Refereed:	Yes, this version has been refereed
Created at the University of Regensburg:	Yes
Item ID:	52302

Abstract (English)

Current filling and packaging lines in liquid food industry are highly optimized and process up to 120000 units per hour. To keep performance at a high level, an ongoing analysis process to identify and consequently solve weaknesses inside the line must take place. To support bottling companies in this task, we present and compare various algorithmic approaches to find the root-cause machine ...

Abstract (English)

Current filling and packaging lines in liquid food industry are highly optimized and process up to 120000 units per hour. To keep performance at a high level, an ongoing analysis process to identify and consequently solve weaknesses inside the line must take place.
To support bottling companies in this task, we present and compare various algorithmic approaches to find the root-cause machine for each line stoppage. We introduce a rule-based algorithm as well as an implementation using Random Forest and two different Relational Graph Convolutional Neural Networks. Since information about the true causer machine is very limited, all approaches have to be label-efficient. Therefore, we introduce Active Learning, Algorithmic Labeling, Multi-Task Learning and Transfer Learning. Finally, a new fully-convolutional Neural Network architecture enables us to predict root-cause machines at any line with only needing one trained model.

Translation of the abstract (German)

Abfüll- und Verpackungslinien in der Getränkeindustrie sind hochgradig optimiert und verarbeiten bis zu 120000 Behälter pro Stunde. Um die Leistung auf einem hohen Niveau zu halten muss ein ständiger Prozess der Analyse und Identifikation von Schwachstellen und dementsprechender Fehlerbehebung stattfinden. Um die Abfüllbetriebe bei dieser Aufgabe zu unterstützen, werden in dieser Arbeit ...

Translation of the abstract (German)

Abfüll- und Verpackungslinien in der Getränkeindustrie sind hochgradig optimiert und verarbeiten bis zu 120000 Behälter pro Stunde. Um die Leistung auf einem hohen Niveau zu halten muss ein ständiger Prozess der Analyse und Identifikation von Schwachstellen und dementsprechender Fehlerbehebung stattfinden.
Um die Abfüllbetriebe bei dieser Aufgabe zu unterstützen, werden in dieser Arbeit verschiedene algorithmische Ansätze der Fehlerursachenanalyse präsentiert und verglichen um für jeden Linienstillstand die Ursache zu detektieren. Neben einem regelbasierten Algorithmus wird eine Random-Forest Ansatz und zwei verschiedene Relational Graph Convolutional Neural Network Architekturen implementiert.
Da Informationen bezüglich der wahren Störursache sehr limitiert sind, müssen alle Ansätze effizient mit Annotationen umgehen. Deshalb wird Active Learning, Algorithmic Labeling sowie Multi-Task Learning und Transfer Learning verwendet.
Zuletzt wird eine neue, fully-convolutional Architektur für Graph Neural Networks eingeführt, die es ermöglicht die fehlerverursachende Maschine jeder beliebigen Linie mit nur einem trainierten Modell finden zu können.

Details

Preview

Export bibliographical data

Abstract (English)

Abstract (English)

Translation of the abstract (German)

Translation of the abstract (German)

Download Statistics

Downloads

More literature (via CORE)

University Library