Anomalie-Erkennung

Analyse inkrementeller Verfahren für Industrie 4.0

Autor/innen

  • Gabriele Gühring
  • Caspar Baum Hochschule Esslingen
  • Anastasia Kleschew Hochschule Esslingen
  • Daniel Schmid ASPro

DOI:

https://doi.org/10.17560/atp.v61i5.2380

Schlagworte:

Anomalie, inkrementelle Verfahren, Predictive Maintenance

Abstract

Das automatisierte Erkennen von außergewöhnlichen Datenpunkten in mittels Sensoren erfassten Datenströmen (Outlier Detection, Anomalie-Erkennung) spielt für Produktionsprozesse im Kontext von Industrie 4.0 eine große Rolle. Durch ihre frühzeitige Erkennung werden Produktionsausfälle vermieden und Wartungsarbeiten optimiert. In diesem Artikel werden Verfahren zur Anomalie-Erkennung mehrdimensionaler Datenströme auf ihre Tauglichkeit für den Einsatz zur Echtzeitüberwachung von Produktionsprozessen analysiert.

Literaturhinweise

Aggarwal, C. (2017). Outlier Analysis. Springer International Publishing AG, 2. Auflage.

Alshawabkeh, M., Jang, B., und Kaeli, D. (2010, März). Accelerating the local outlier factor algorithm on a GPU for intrusion detection systems. In Proceedings of the 3rd Workshop on General-Purpose Computation on Graphics Processing Units (pp. 104-110). ACM.

Beringer, J. (2007). Online-Data-Mining auf Datenströmen: Methoden zur Clusteranalyse und Klassifikation. Otto-von-Guericke-Universität Magdeburg (pp. 43 ff.)

Bishop, C. M. (1995). Neural networks for pattern recognition. Oxford university press.

Breunig, M. M., Kriegel, H. P., Ng, R. T., und Sander, J. (2000, Mai). LOF: identifying density-based local outliers. In ACM sigmod record (Vol. 29, No. 2, pp. 93-104). ACM.

Ester, M., Kriegel, H. P., Sander, J., und Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd (Vol. 96, No. 34, pp. 226-231).

Hien, D. (2014). Time series outlier detection in spacecraft data. Technische Universität Darmstadt.

Mehlhorn, K., Sanders, P. (2008). Algorithms and data structures: The basic toolbox. Springer Science & Business Media.

Papadimitriou, S., Sun, J., und Faloutsos, C. (2005, August). Streaming pattern discovery in multiple time-series. In Proceedings of the 31st international conference on Very large data bases (pp. 697-708). VLDB Endowment.

Pokrajac, D., Lazarevic, A., und Latecki, L. J. (2007, März). Incremental local outlier detection for data streams. In 2007 IEEE symposium on computational intelligence and data mining (pp. 504-515). IEEE.

Salehi, M., Leckie, C., Bezdek, J. C., und Vaithianathan, T. (2015, April). Local outlier detection for data streams in sensor networks: Revisiting the utility problem invited paper. In 2015 IEEE Tenth International Conference on Intelligent Sensors, Sensor Networks and Information Processing (ISSNIP) (pp. 1-6). IEEE.

Samet, H. (2006). Foundations of multidimensional and metric data structures. Morgan Kaufmann.

Schöning, H., Dorchain, M. (2014). Data Mining und Analyse, in Industrie 4.0 in Produktion, Automatisierung und Logistik. In: Bauernhansl, T., ten Hompel, M., Vogel-Heuser, B. (Hrsg.) Springer Fachmedien, Wiesbaden (pp. 543-549).

Siepmann, D., Graef, N. (2016). Industrie 4.0–Grundlagen und Gesamtzusammenhang. In Einführung und Umsetzung von Industrie 4.0 (pp. 17-82). Springer Gabler, Berlin, Heidelberg.

Zhang, T., Ramakrishnan, R., und Livny, M. (1996, Juni). BIRCH: an efficient data clustering method for very large databases. In ACM Sigmod Record (Vol. 25, No. 2, pp. 103-114). ACM.

##submission.downloads##

Veröffentlicht

2019-05-07

Ausgabe

Rubrik

Hauptbeitrag / Peer-Review