Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen

Simple item page
dc.contributor.corporatenameKassel, Universität Kassel, Fachbereich Maschinenbau
dc.contributor.refereeHesselbach, Jens (Prof. Dr.)
dc.contributor.refereeHerrmann, Christoph (Prof. Dr.)
dc.date.accessioned2020-12-11T11:51:20Z
dc.date.available2020-12-11T11:51:20Z
dc.date.issued2020
dc.descriptionZugleich: Dissertation, Universität Kassel, 2020ger
dc.identifierdoi:10.17170/kobra-202010272015
dc.identifier.urihttp://hdl.handle.net/123456789/12157
dc.language.isogerger
dc.publisherkassel university press
dc.publisher.placeKassel
dc.relation.isbn978-3-7376-0915-9
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.subject.swdMaschinelles Lernenger
dc.subject.swdZeitreiheger
dc.subject.swdSegmentierungger
dc.subject.swdBetriebszustandger
dc.subject.swdZustandsüberwachungger
dc.subject.swdMonitoring <Informatik>ger
dc.subject.swdEnergieger
dc.titleAutomatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagenger
dc.typeBuch
dc.type.versionpublishedVersion
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
dcterms.source.seriesProduktion & Energieger
dcterms.source.volumeBand 24ger
kup.bindingSoftcover
kup.institutionFB 15 / Maschinenbau
kup.iskuptrue
kup.price29,00
kup.seriesProduktion & Energie
kup.sizeDIN A5
kup.subjectNaturwissenschaft, Technik, Informatik, Medizin
kup.typDissertation

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
kup_9783737609159.pdf
Size:
39.59 MB
Format:
Adobe Portable Document Format
Description:
Download
No Thumbnail Available
Name:
orig_9783737609159.pdf
Size:
39.43 MB
Format:
Adobe Portable Document Format
Description:
Download

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.03 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

kup - kassel university press