Zur Kurzanzeige

dc.date.accessioned2020-12-11T11:51:20Z
dc.date.available2020-12-11T11:51:20Z
dc.date.issued2020
dc.identifierdoi:10.17170/kobra-202010272015
dc.identifier.urihttp://hdl.handle.net/123456789/12157
dc.descriptionZugleich: Dissertation, Universität Kassel, 2020ger
dc.language.isogerger
dc.publisherkassel university press
dc.rightsNamensnennung - Weitergabe unter gleichen Bedingungen 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/*
dc.subjectunüberwachte maschinelle Lernverfahrenger
dc.subjectunivariate Zeitreihensegmentierungger
dc.subjectBetriebszustandserkennungger
dc.subjectCondition Monitoringger
dc.subjectEnergiemonitoringger
dc.subject.ddc620
dc.titleAutomatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagenger
dc.typeBuch
dcterms.abstractVor 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.ger
dcterms.accessRightsopen access
dcterms.creatorSeevers, Jan-Peter
dcterms.dateAccepted2020-09-14
dcterms.extentXX, 154 Seiten, XXI-XC
dcterms.isPartOfProduktion & Energie ;; Band 24ger
dc.contributor.corporatenameKassel, Universität Kassel, Fachbereich Maschinenbau
dc.contributor.refereeHesselbach, Jens (Prof. Dr.)
dc.contributor.refereeHerrmann, Christoph (Prof. Dr.)
dc.publisher.placeKassel
dc.relation.isbn978-3-7376-0915-9
dc.subject.swdMaschinelles Lernenger
dc.subject.swdZeitreiheger
dc.subject.swdSegmentierungger
dc.subject.swdBetriebszustandger
dc.subject.swdZustandsüberwachungger
dc.subject.swdMonitoring <Informatik>ger
dc.subject.swdEnergieger
dc.type.versionpublishedVersion
dcterms.source.seriesProduktion & Energieger
dcterms.source.volumeBand 24ger
kup.iskuptrue
kup.price29,00
kup.seriesProduktion & Energie
kup.subjectNaturwissenschaft, Technik, Informatik, Medizin
kup.typDissertation
kup.institutionFB 15 / Maschinenbau
kup.bindingSoftcover
kup.sizeDIN A5


Dateien zu dieser Ressource

Thumbnail
Thumbnail
Thumbnail

Das Dokument erscheint in:

Zur Kurzanzeige

Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International
Solange nicht anders angezeigt, wird die Lizenz wie folgt beschrieben: Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International