Publikationen

zurück
G. Bilek (2020)

Advanced Automated Pattern Search in Industrial Sensor Data

Wo ist die Publikation erschienen?

FH Campus Wien - Bioinformatik

Abstract

Industrieprozesse nutzen zeitlich geordnete Daten um die Produktionsleistung und Produktqualität zu überwachen. Diese Daten werden als Zeitserien dargestellt und ermöglichen somit eine Nachverfolgung qualitätsrelevanter Signalmuster über weite Zeiträume. Hohe Qualitätsstandards erfordern eine hohe Datenpunktdichte und eine lückenlose Prozessüberwachung. Es ist daher eine enorme Herausforderung, alle relevanten Kriterien in Zeitserien zu identifizieren und zu extrahieren. Einige Muster ändern ihre Form je nach Produktionsstufe oder verwendetem Aufzeichnungsinstrument. Trotzdem müssen sie alle identifiziert werden. Zur Bewältigung dieser Data-Mining Aufgabe, wurden zwei vielversprechende Similarity-Search Algorithmen mit Hilfe einer State-of-the-Art Analyse identfiziert und anschließend im Hinblick auf die Erweiterung des aktuellen Suchprogramms, das vom VRVis Zentrum für Virtual Reality und Visualisierung Forschungs-GmbH entwickelt wurde, getestet. Diese beiden Algorithmen verkörpern zwei komplett unterschiedliche Prinzipien. MASS (Mueen’s ultra-fast Algorithm for Similarity Search) ist ein profilbasierter Ansatz und SAX (Symbolic Aggregate approXimation) nützt eine symbolische Repräsentation. Diese Arbeit konnte zeigen, dass beide Methoden unterschiedlichste DataMining Aufgaben erfolgreich lösen können. Auch Muster mit unterschiedlichen Ausprägungsformen konnten mit hoher Sensitivität detektiert werden. Lediglich die Art der Datensätze und die Parameterwahl mussten für den Erfolg berücksichtigt werden. MASS arbeitet fast parameterfrei und liefert exakte Lösungen. Daher wurde dieser Algorithmus als die bessere Wahl betrachtet, um die bestehende Suchsoftware zu erweitern.

Forschungsthemen

Forschungsgruppe

Lösungen