The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 9 of 185
Back to Result List

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.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
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):Creative Commons - CC BY - Namensnennung 4.0 International
Release Date:2024/07/22
Verstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.