Anomalieerkennung in hoch-dimensionalen Sensordaten
- Anomalie-Detektion im Kontext der Industrie 4.0 hat gerade seit der wachsenden Popularität von maschinellen Lernverfahren und aufkommenden großen Datenmengen an Relevanz gewonnen. So kann in Herstellungsprozessen über die Zeit unerwartetes Verhalten auftreten, das für den Ausschuss von Teilen verantwortlich ist. Es besteht ein Interesse an den Ursachen dieses Verhaltens, sodass ggf. einem nochmaligen Auftreten proaktiv entgegengewirkt werden kann. Aus den aufgenommenen Daten der Sensoren für den Prozess lassen sich Ursachen für dieses Verhalten ableiten. Es besteht bereits Forschung für die Detektion von Anomalien in Sensordaten, jedoch meist im univariaten Fall, d.h unter Beobachtung einer Zielgröße. Zudem besteht ein Forschungsbedarf bei der Erkennung von Anomalien, die sich nicht punktweise manifestiert, sondern über einer Menge von beobachteten Daten. Dafür verfügbare sind allerdings ebenfalls nur spärlich vorhanden und verfügen über keine Nähe zu aus Sensoren gewonnen Daten. Diese Arbeit widmet sich diesen Herausforderungen,Anomalie-Detektion im Kontext der Industrie 4.0 hat gerade seit der wachsenden Popularität von maschinellen Lernverfahren und aufkommenden großen Datenmengen an Relevanz gewonnen. So kann in Herstellungsprozessen über die Zeit unerwartetes Verhalten auftreten, das für den Ausschuss von Teilen verantwortlich ist. Es besteht ein Interesse an den Ursachen dieses Verhaltens, sodass ggf. einem nochmaligen Auftreten proaktiv entgegengewirkt werden kann. Aus den aufgenommenen Daten der Sensoren für den Prozess lassen sich Ursachen für dieses Verhalten ableiten. Es besteht bereits Forschung für die Detektion von Anomalien in Sensordaten, jedoch meist im univariaten Fall, d.h unter Beobachtung einer Zielgröße. Zudem besteht ein Forschungsbedarf bei der Erkennung von Anomalien, die sich nicht punktweise manifestiert, sondern über einer Menge von beobachteten Daten. Dafür verfügbare sind allerdings ebenfalls nur spärlich vorhanden und verfügen über keine Nähe zu aus Sensoren gewonnen Daten. Diese Arbeit widmet sich diesen Herausforderungen, indem sie die Problemstellung ausformuliert, den aktuellen Forschungsstand wiedergibt und mit einem praktischen Teil Lösungsansätze zur Verfügung stellt. So wird eine Komponente zur Generierung von synthetischen hoch-dimensionalen Daten entwickelt, die Prozesskurven nachempfunden sind, und damit über eine Ähnlichkeit zu Sensordaten verfügen. Zudem enthalten die erzeugten Daten Informationen über eingepflegte Anomalien, was eine Evaluation von Algorithmen und Modellen ermöglicht. Es werden Verfahren basierend auf dem Stand der Forschung entwickelt und auf synthetischen Daten aus dieser Datengenerierungskomponente evaluiert. Abschließend wird ein Fazit über die Ergebnisse dieses Benchmarks getroffen und ein Ausblick auf die weitere Forschung in diesem Themenfeld gegeben.…
Author: | Edgar Wolf |
---|---|
URN: | urn:nbn:de:bvb:859-23389 |
DOI: | https://doi.org/10.60785/opus-2338 |
Place of publication: | Kempten |
Referee: | Ulrich Göhner, Tobias Windisch |
Document Type: | Master's Thesis |
Language: | German |
Year of first Publication: | 2024 |
Publishing Institution: | Hochschule für angewandte Wissenschaften Kempten |
Granting Institution: | Hochschule für angewandte Wissenschaften Kempten |
Date of final exam: | 2024/03/28 |
Number of pages: | iv, 67 Seiten |
Institutes: | Fakultät Informatik |
Dewey Decimal Classification: | 0 Informatik, Informationswissenschaft, allgemeine Werke / 00 Informatik, Wissen, Systeme / 004 Datenverarbeitung; Informatik |
Open Access: | open_access |
Research focus: | FSP3: Produktion |
Publication reviewed: | nicht begutachtet |
Licence (German): | ![]() |
Release Date: | 2024/07/22 |