Anomalie-Erkennung
Analyse inkrementeller Verfahren für Industrie 4.0
DOI:
https://doi.org/10.17560/atp.v61i5.2380Schlagworte:
Anomalie, inkrementelle Verfahren, Predictive MaintenanceAbstract
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.
Downloads
Veröffentlicht
Ausgabe
Rubrik
Lizenz
Die Zeitschrift und alle in ihr enthaltenen Beiträge und Abbildungen sind urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Bearbeitung in elektronischen Systemen. Auch die Rechte der Wiedergabe durch Vortrag, Funk- und Fernsehsendung, im Magnettonverfahren oder ähnlichem Wege bleiben vorbehalten.