View/ Open
Date
2020Author
Seevers, Jan-PeterSubject
620 Engineering Maschinelles LernenZeitreiheSegmentierungBetriebszustandZustandsüberwachungMonitoring <Informatik>EnergieMetadata
Show full item record
Buch
Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen
Abstract
Vor dem Hintergrund eines weltweit ansteigenden wirtschaftlichen Konkurrenzdrucks und sich gleichzeitig massiv verschärfender Klimaschutzvorgaben steht die Industrie vor gewaltigen Herausforderungen. Die informations- und kommunikationstechnische Verzahnung der industriellen Produktion birgt dabei großes Potenzial diesen Herausforderungen zu begegnen, bedarf jedoch umfassender, kostenaufwändiger Messdatenerfassung, -aufbereitung, -speicherung sowie -auswertung. Sogenannte sensorreduzierte Ansätze der Leistungs- und Zustandsüberwachung von Produktionsanlagen in Kombination mit unüberwachten maschinellen Lernverfahren bieten die Möglichkeit, diesen Aufwand deutlich zu verringern. Der neuartige, vollständig automatisierte Ansatz dieser Dissertation benötigt lediglich eine beliebige Messzeitreihe als Eingangsgröße und keine weiteren Informationen, wie z.B. Anlagensteuerungssignale. Verschiedene Anwendungen zeigen, inwiefern der Gesamtalgorithmus zum einen als Datenvorverarbeitungswerkzeug zur automatisierten Klassifizierung und Strukturierung nicht annotierter Zeitreihen und zum anderen als eigenständiges Energie- und Prozessanomalien-Diagnosewerkzeug verwendbar ist.
Additional Information
Zugleich: Dissertation, Universität Kassel, 2020Druckausgabe
Link zu kassel university pressCitation
@book{doi:10.17170/kobra-202010272015,
author={Seevers, Jan-Peter},
title={Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen},
publisher={kassel university press},
year={2020}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2020$n2020 1500 1/ger 2050 ##0##http://hdl.handle.net/123456789/12157 3000 Seevers, Jan-Peter 4000 Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen / Seevers, Jan-Peter 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/12157=x R 4204 \$dBuch 4170 Produktion & Energie ;; Band 24 5550 {{Maschinelles Lernen}} 5550 {{Zeitreihe}} 5550 {{Segmentierung}} 5550 {{Betriebszustand}} 5550 {{Zustandsüberwachung}} 5550 {{Monitoring <Informatik>}} 5550 {{Energie}} 7136 ##0##http://hdl.handle.net/123456789/12157
2020-12-11T11:51:20Z 2020-12-11T11:51:20Z 2020 doi:10.17170/kobra-202010272015 http://hdl.handle.net/123456789/12157 Zugleich: Dissertation, Universität Kassel, 2020 ger kassel university press Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International http://creativecommons.org/licenses/by-sa/4.0/ unüberwachte maschinelle Lernverfahren univariate Zeitreihensegmentierung Betriebszustandserkennung Condition Monitoring Energiemonitoring 620 Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen Buch Vor dem Hintergrund eines weltweit ansteigenden wirtschaftlichen Konkurrenzdrucks und sich gleichzeitig massiv verschärfender Klimaschutzvorgaben steht die Industrie vor gewaltigen Herausforderungen. Die informations- und kommunikationstechnische Verzahnung der industriellen Produktion birgt dabei großes Potenzial diesen Herausforderungen zu begegnen, bedarf jedoch umfassender, kostenaufwändiger Messdatenerfassung, -aufbereitung, -speicherung sowie -auswertung. Sogenannte sensorreduzierte Ansätze der Leistungs- und Zustandsüberwachung von Produktionsanlagen in Kombination mit unüberwachten maschinellen Lernverfahren bieten die Möglichkeit, diesen Aufwand deutlich zu verringern. Der neuartige, vollständig automatisierte Ansatz dieser Dissertation benötigt lediglich eine beliebige Messzeitreihe als Eingangsgröße und keine weiteren Informationen, wie z.B. Anlagensteuerungssignale. Verschiedene Anwendungen zeigen, inwiefern der Gesamtalgorithmus zum einen als Datenvorverarbeitungswerkzeug zur automatisierten Klassifizierung und Strukturierung nicht annotierter Zeitreihen und zum anderen als eigenständiges Energie- und Prozessanomalien-Diagnosewerkzeug verwendbar ist. open access Seevers, Jan-Peter 2020-09-14 XX, 154 Seiten, XXI-XC Produktion & Energie ;; Band 24 Kassel, Universität Kassel, Fachbereich Maschinenbau Hesselbach, Jens (Prof. Dr.) Herrmann, Christoph (Prof. Dr.) Kassel 978-3-7376-0915-9 Maschinelles Lernen Zeitreihe Segmentierung Betriebszustand Zustandsüberwachung Monitoring <Informatik> Energie publishedVersion Produktion & Energie Band 24 true 29,00 Produktion & Energie Naturwissenschaft, Technik, Informatik, Medizin Dissertation FB 15 / Maschinenbau Softcover DIN A5
The following license files are associated with this item: