Verzeichnis der Abschlussarbeiten

In der pharmazeutischen Industrie müssen Betriebe weltweit die GMP-Vorschriften befolgen. Um sicherzustellen, dass Sensoren exakte Messwerte liefern, werden jährliche Kalibrierungen durchgeführt. Dieser Prozess ist eine kosten- und zeitintensive Tätigkeit. In dieser Arbeit wird untersucht, ob es durch den Einsatz von Machine Learning Algorithmen möglich ist, 75% der auftretenden Fehlfunktion der Sensoren in Echtzeitnähe zu detektieren. Dafür wurden Temperaturmesswerte von 50 Temperaturfühlern, die sich in Tief- und Kühlschränken befinden, über ein 2 Jahre Zeitintervall aus einer historischen Datenbank bereitgestellt. Die systematischen Fehler der Sensoren, die derzeit im Zuge der Kalibrierung bewertet werden, wurden mittels eines Offsetwertes erstellt. Die Detektion der Fehlfunktion eines Sensors kann als binäres Klassifizierungsproblem betrachtet und Klassifikationsmodelle, wie zum Beispiel Random Forest und Support Vector Machine Modelle, entwickelt werden. Fensterbasierte Merkmale, die mit Aggregationsfunktion wie Mittelwert, Minimum, Maximum berechnet wurden, wurden als Eingabedatensatz für den Algorithmus des maschinellen Lernens verwendet. Danach wurde der Datensatz auf zwei Teile aufgeteilt. 80% der Daten wurden für Training und 20% der Daten für die Evaluierung der Modelle verwendet. Die Daten wurden mit einem Random Forest Modell trainiert und evaluiert. Das Modell liefert eine hohe Genauigkeit von über 99%. Die berechnete ROC-Kurve des Modells weist auf eine sehr gute Leistung hin.

In the pharmaceutical industry, companies around the world must follow GMP regulations. Annual calibrations are performed to ensure sensors deliver accurate readings. This process is a costly and time-consuming activity. This thesis examines whether it is possible to use machine learning algorithms to detect 75% of sensor malfunctions near real time. For this purpose, temperature readings from 50 temperature sensors located in freezers and refrigerators were provided over a 2-year time interval from a historical database. The systematic errors of the sensors, which are currently being evaluated during the calibration, were created using an offset value. The detection of a sensor malfunction can be viewed as a binary classification problem and classification models such as Random Forest and Support Vector Machine models can be developed. Window-based features calculated with aggregation function such as mean, minimum, maximum was used as input data set for machine learning algorithm. After that, the data set was divided into two parts. 80% of the data was used for training and 20% of the data for evaluation of the models. The data was trained and evaluated using a Random Forest model. The model delivers a high accuracy of over 99%. The calculated ROC curve of the model indicate very good performance.