Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen

Goren Huber, Lilach; Notaristefano, Antonio

doi:10.21256/zhaw-25292

Please use this identifier to cite or link to this item: https://doi.org/10.21256/zhaw-25292

Full metadata record

DC Field	Value	Language
dc.contributor.author	Goren Huber, Lilach	-
dc.contributor.author	Notaristefano, Antonio	-
dc.date.accessioned	2022-07-08T12:43:33Z	-
dc.date.available	2022-07-08T12:43:33Z	-
dc.date.issued	2022-06	-
dc.identifier.issn	1664-6312	de_CH
dc.identifier.uri	https://digitalcollection.zhaw.ch/handle/11475/25292	-
dc.description.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.	de_CH
dc.language.iso	de	de_CH
dc.publisher	fmpro, Schweizerischer Verband für Facility Management und Maintenance	de_CH
dc.relation.ispartof	fmpro service	de_CH
dc.rights	Licence according to publishing contract	de_CH
dc.subject	Predictive maintenance	de_CH
dc.subject	Deep learning	de_CH
dc.subject	Physics informed deep learning	de_CH
dc.subject	Solarkraftanlagen	de_CH
dc.subject	Erneuerbare Energie	de_CH
dc.subject	Condition based maintenance	de_CH
dc.subject	Vorausschauende Instandhaltung	de_CH
dc.subject	Anomalieerkennung	de_CH
dc.subject.ddc	006: Spezielle Computerverfahren	de_CH
dc.subject.ddc	620: Ingenieurwesen	de_CH
dc.title	Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen	de_CH
dc.type	Beitrag in Magazin oder Zeitung	de_CH
dcterms.type	Text	de_CH
zhaw.departement	School of Engineering	de_CH
zhaw.organisationalunit	Institut für Datenanalyse und Prozessdesign (IDP)	de_CH
dc.identifier.doi	10.21256/zhaw-25292	-
zhaw.funding.eu	No	de_CH
zhaw.issue	3	de_CH
zhaw.originated.zhaw	Yes	de_CH
zhaw.pages.end	25	de_CH
zhaw.pages.start	24	de_CH
zhaw.publication.status	publishedVersion	de_CH
zhaw.volume	2022	de_CH
zhaw.webfeed	Datalab	de_CH
zhaw.funding.zhaw	Intelligente Diagnostik von Leistungseinbussen in Solarkraftwerken	de_CH
zhaw.author.additional	No	de_CH
zhaw.display.portrait	Yes	de_CH
Appears in collections:	Publikationen School of Engineering

Files in This Item:

File	Description	Size	Format
2022_Goren-Huber-Notaristefano_Predictive-maintenance_fmpro.pdf		247.26 kB	Adobe PDF	View/Open

Show simple item record

Goren Huber, L., & Notaristefano, A. (2022). Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen. fmpro service, 2022(3), 24–25. https://doi.org/10.21256/zhaw-25292

Goren Huber, L. and Notaristefano, A. (2022) ‘Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen’, fmpro service, 2022(3), pp. 24–25. Available at: https://doi.org/10.21256/zhaw-25292.

L. Goren Huber and A. Notaristefano, “Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen,” fmpro service, vol. 2022, no. 3, pp. 24–25, Jun. 2022, doi: 10.21256/zhaw-25292.

GOREN HUBER, Lilach und Antonio NOTARISTEFANO, 2022. Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen. fmpro service. Juni 2022. Bd. 2022, Nr. 3, S. 24–25. DOI 10.21256/zhaw-25292

Goren Huber, Lilach, and Antonio Notaristefano. 2022. “Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen.” fmpro service 2022 (3): 24–25. https://doi.org/10.21256/zhaw-25292.

Goren Huber, Lilach, and Antonio Notaristefano. “Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen.” fmpro service, vol. 2022, no. 3, June 2022, pp. 24–25, https://doi.org/10.21256/zhaw-25292.