Anomalieerkennung durch Clustering. Predictive Maintenance in einem Blockheizkraftwerk (eBook, PDF) - Traub, Kathrina
5,99 €
inkl. MwSt.
Sofort per Download lieferbar
  • Format: PDF

Studienarbeit aus dem Jahr 2020 im Fachbereich Ingenieurwissenschaften - Anlagenbau, Note: 1,0, Karlsruher Institut für Technologie (KIT) (Information & Market Engineering), Sprache: Deutsch, Abstract: In dieser Arbeit wird beispielhaft eine multivariate Zeitreihe von knapp neun Monaten einer Blockheizkraftwerk-Anlage analysiert. Durch das Toeplitz Inverse Covariance-Based Clustering können sich wiederholende Muster in der Zeitreihe identifiziert und ebenfalls interpretiert werden. Ein Vergleich der Clusterergebnisse zu einer vorangehenden Komprimierung der Zeitreihen durch ein Autoencoder…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Studienarbeit aus dem Jahr 2020 im Fachbereich Ingenieurwissenschaften - Anlagenbau, Note: 1,0, Karlsruher Institut für Technologie (KIT) (Information & Market Engineering), Sprache: Deutsch, Abstract: In dieser Arbeit wird beispielhaft eine multivariate Zeitreihe von knapp neun Monaten einer Blockheizkraftwerk-Anlage analysiert. Durch das Toeplitz Inverse Covariance-Based Clustering können sich wiederholende Muster in der Zeitreihe identifiziert und ebenfalls interpretiert werden. Ein Vergleich der Clusterergebnisse zu einer vorangehenden Komprimierung der Zeitreihen durch ein Autoencoder Netzwerk wird ebenfalls gezeigt. Durch den großen Druck, die Wettbewerbsfähigkeit im produzierenden Gewerbe aufrechtzuerhalten, werden vermehrt Industrie 4.0 Strategien vorangetrieben. Mit dem Beginn neuer Datenverarbeitungstechnologien wird ein Mehrwert durch Datenanalyse in der Produktion mit Cyber Physical Systems generiert. Die Wartung von Maschinen und Prozessen verbessert sich durch diese Entwicklungen signifikant. Eine genaue Vorhersage unnormaler Zustände spielt eine Schlüsselrolle, wenn die Produktivität erhöht und die Maschinenausfälle reduziert werden sollen. Trotzdem bleibt die Maschinendatenanalyse mit Verfahren des maschinellen Lernens, um kritische Charakteristiken für die Wartung zu erkennen, schwierig. Maschinen werden oft rekonfiguriert, einzelne Sensoren fallen aus oder verfälschen die Messwerte, sodass die Komplexität zusätzlich erhöht wird.