MA Themen in Kooperation mit Siemens
(genauere Information bei Ute Schmid erfragen)
Sequence Mining
Die Datenbasis sind typischerweise
1.000 Systeme die täglich jeweils 50.000 Zeilen Event-Log schicken und
ca. alle 3 Jahre fällt ein System aus. Unser Ziel ist es in den Event-Logs Sequenzen von Ereignissen zu finden, die darauf hindeuten, dass ein System bald kaputt ist.
Logdata Parsing
Aktuell bekommen wir ca. 100
verschiedene Logfiles, die meisten als csv, manche xml. Die sind
teilweise ganz chaotisch, oft muss man als ersten Schritt den richtigen
Zeilenumbruch finden und im nächsten Schritt sollen dann
die Felder in jeder Zeile getrennt werden. Ca. alle 3 Monate gibt es
eine neue Softwareversion, dabei ‚kann‘ sich das Format ändern. Die Frage ist, ob man das Parsing
automatisieren kann und auch automatisch erkennen kann, wann sich das
Format geändert hat – dann sollten immer automatisch die richtigen
Parsing-Regeln verwendet werden.
Optimizing alert timings - Predicting system failures daily vs. raising alerts
Bei unseren Predictive Maintenance
Modellen aggregieren wir typischerweise Daten auf Tagesebene und machen
auch täglich scorings und machen dabei für jeden Tag eine Vorhersage, ob
der Tag in den 30 Tagen vor einem Systemausfall
ist. Aber für unseren use-case brauchen wir gar nicht täglich eine
Wahrscheinlichkeit, da würde es uns reichen wenn innerhalb von dem 30
Tage Fenster mind. 1 Alarm generiert wird – der dann aber möglichst
genau sein sollte, genauer als bei den Betrachtungen
von nur 1 Tag.