Please use this identifier to cite or link to this item: https://doi.org/10.21256/zhaw-25292
Publication type: Contribution to magazine or newspaper
Title: Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen
Authors: Goren Huber, Lilach
Notaristefano, Antonio
et. al: No
DOI: 10.21256/zhaw-25292
Published in: fmpro service
Volume(Issue): 2022
Issue: 3
Page(s): 24
Pages to: 25
Issue Date: Jun-2022
Publisher / Ed. Institution: fmpro, Schweizerischer Verband für Facility Management und Maintenance
ISSN: 1664-6312
Language: German
Subjects: Predictive maintenance; Deep learning; Physics informed deep learning; Solarkraftanlagen; Erneuerbare Energie; Condition based maintenance; Vorausschauende Instandhaltung; Anomalieerkennung
Subject (DDC): 006: Special computer methods
620: Engineering
Abstract: Die Fehlerdiagnose für Predictive-Maintenance-Anwendungen wird oft durch den Mangel an historischen Fehlerdaten erschwert. In einem laufenden Innosuisse-Projekt arbeitet das Smart Maintenance Team der ZHAW mit der Firma Fluence Energy zusammen, um diese Herausforderung mit hybriden Ansätzen zu überwinden, die physikalisches Wissen mit Deep-Learning-Algorithmen kombinieren.
URI: https://digitalcollection.zhaw.ch/handle/11475/25292
Fulltext version: Published version
License (according to publishing contract): Licence according to publishing contract
Departement: School of Engineering
Organisational Unit: Institute of Data Analysis and Process Design (IDP)
Published as part of the ZHAW project: Intelligente Diagnostik von Leistungseinbussen in Solarkraftwerken
Appears in collections:Publikationen School of Engineering

Files in This Item:
File Description SizeFormat 
2022_Goren-Huber-Notaristefano_Predictive-maintenance_fmpro.pdf247.26 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.