@phdthesis{01KWKE4SHKW1TJF0F54JH93XGH,
  abstract     = {{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 problemen zich situeren. 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 belangrijke 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.}},
  author       = {{Soete, Colin}},
  isbn         = {{9789493513723}},
  keywords     = {{industry 4.0,predictive maintenance,fault detection,anomaly detection,time series,machine learning}},
  language     = {{eng}},
  pages        = {{XIX, 166}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Fault detection and process monitoring on Industry 4.0 production lines using time series analysis}},
  year         = {{2026}},
}