Fault Detection and Process Monitoring on Industry 4.0 Production Lines Using Time Series Analysis
- Promovendus/a
- Soete, Colin
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektronica en Informatiesystemen
- Curriculum
- Master in de industriële wetenschappen: elektronica-ICT - afstudeerrichting ingebedde systemen, Universiteit Gent, 2019
- Academische graad
- Doctor in de industriële wetenschappen: elektronica-ICT
- Taal proefschrift
- Engels
- Vertaling titel
- Foutdetectie en procescontrole op Industry 4.0-productielijnen met behulp van tijdreeksanalyse
- Promotor(en)
- prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - prof. Bruno Volckaert, vakgroep Informatietechnologie
- Examencommissie
- voorzitter prof. Luc Dupré (gewezen voorzitter Commissie Wetenschappelijk Onderzoek) - dr. ir. Dieter De Paepe, NGDATA - prof. Dirk Deschrijver, vakgroep Informatietechnologie - prof. Konstantinos Gryllias, KU Leuven - prof. Peter Karsmakers, KU Leuven - dr. Jelle Vanhaeverbeke, vakgroep Elektronica en Informatiesystemen - promotor prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - promotor prof. Bruno Volckaert, vakgroep Informatietechnologie
Korte beschrijving
Door de opkomst van slimme fabrieken, ook wel Industry 4.0 genoemd, genereren moderne productielijnen enorme hoeveelheden sensordata. Die data bevat waardevolle informatie over de toestand van machines en de kwaliteit van productieprocessen. Deze data is echter vaak van beperkte kwaliteit, en het is zelden duidelijk welke metingen overeenkomen met een fout of defect, laat staan waar in de productielijn het probleem zich situeert. Dit doctoraal onderzoek brengt signaalverwerking, machine learning en kennisrepresentatie samen om industriële productieprocessen betrouwbaar op te volgen en fouten tijdig te detecteren. Het werk behandelt vier centrale uitdagingen: de beperkingen van industriële sensoren, het gebrek aan gelabelde foutdata, de traceerbaarheid van complexe AI-pijplijnen, en de schaalbaarheid naar reële productieomgevingen. Zo wordt onder meer aangetoond dat goedkope sensoren via slimme signaalverwerking vergelijkbare resultaten halen als duurdere alternatieven. Verder toont een toepassing in de auto-industrie aan hoe kennisgrafen fabrieksdata begrijpbaar en herbruikbaar maken. Dit onderzoek illustreert hoe een combinatie van datagedreven modellen en domeinkennis leidt tot robuuste en interpreteerbare systemen voor predictief onderhoud. In een wereld waar industriële installaties steeds complexer worden, zijn dergelijke aanpakken essentieel om technologische vooruitgang te vertalen naar concrete productiviteitswinst op de werkvloer.
Praktisch
- Datum
- Maandag 29 juni 2026, 16:00
- Locatie
- auditorium A - Magnel, gebouw 60 Magnel (eerste verdieping), Technologiepark Zwijnaarde 60, 9052 Zwijnaarde
- Livestream
- Volg online
Gegevens livestream: meeting ID: 313 317 762 242 538 - paswoord: 4v8Ni3ZH
Meer info
- Contact
- doctoraat.ea@ugent.be