Vergleich & Anpassung zweier Strategien zur Anomalieerkennung in Lastgängen basierend auf Verfahren aus den Bereichen Machine-Learning und Statistik
| dc.date.accessioned | 2023-03-06T09:29:22Z | |
| dc.date.available | 2023-03-06T09:29:22Z | |
| dc.date.issued | 2020-11 | |
| dc.identifier | doi:10.17170/kobra-202303037564 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/14465 | |
| dc.language.iso | ger | ger |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject | Anomalieerkennung | ger |
| dc.subject | LSTM | ger |
| dc.subject | PEWMA | ger |
| dc.subject.ddc | 620 | |
| dc.title | Vergleich & Anpassung zweier Strategien zur Anomalieerkennung in Lastgängen basierend auf Verfahren aus den Bereichen Machine-Learning und Statistik | ger |
| dc.type | Masterarbeit | |
| dcterms.abstract | In dieser Masterarbeit werden zwei Strategien zur Anomalieerkennung in Lastgängen ausgewertet. Dazu nutzt Strategie 1 das künstliche neuronale Netzwerk LSTM (Long Short-Term Memory) mit Datenzeitraum von einem Monat (1M) bzw. drei Monaten (3M) trainiert und Strategie 2 das Glättungsverfahren PEWMA (Probalistic Exponential Weighted Moving Average) zur Schätzung des zu untersuchenden Lastgangmonats. Durch den Vergleich mit Originallastgangdaten werden Residuen bzw. summierte Residuen der Sequenzlängen zwei, vier, sechs und acht Stunden durch Überschreitung eines vordefinierten Schwellenwertes als Anomalien identifiziert. Die Schwellenwerte werden zum einen durch den Z-Score Test definiert, d.h. Residuenwerte größer als 2, 2,5 oder 3 Standardabweichungen gelten als anomal. Zum anderen werden mittels ESD (Extreme Studentized Deviate) Test durch drei Signifikanzniveauwerte von 0,05, 0,10 und 0,15, bei maximal k = 40 Iterationen, Schwellenwerte gesetzt. Es werden fünf Lastgänge untersucht, welche sich durch das Clusterverfahren k-Means als repräsentative Stichprobe aus allen verfügbaren Datensätzen der Limón GmbH ergeben haben. Die Auswertung zeigt, dass für Strategie 1 ein maximales F1-Maß von 0,4 (1M) und für alle untersuchten Unternehmen ein durchschnittliches F1-Maß von maximal 0,24, SD = 0,09 (1M) für die Untersuchung auf Einzelresiduen erreicht werden konnte. In der Variante 3M konnte mit einem durchschnittlichen F1-Maß von 0,21, SD = 0,06 (3M) für summierte Residuen der Teilsequenzlänge von vier Stunden das höchste F1-Maß erzielt werden. Die auf PEWMA basierende Strategie 2 konnte im Vergleich zu Strategie 1 in keinem untersuchten Unternehmen eine höhere Anomalieerkennungsgüte aufweisen. | ger |
| dcterms.accessRights | open access | |
| dcterms.creator | Krawiec, Patrick | |
| dcterms.dateAccepted | 2020-01 | |
| dcterms.extent | IV, 69, I-XXVIII Seiten | |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Maschinenbau | ger |
| dc.contributor.referee | Junge, Mark (Prof. Dr.) | |
| dc.contributor.referee | Hesselbach, Jens (Prof. Dr.) | |
| dc.subject.swd | Anomalieerkennung | ger |
| dc.subject.swd | Neuronales Netz | ger |
| dc.subject.swd | Maschinelles Lernen | ger |
| dc.subject.swd | Lastganglinie | ger |
| dc.type.version | publishedVersion | |
| kup.iskup | false |
Dateien zu dieser Ressource
Das Dokument erscheint in:
-
Masterarbeiten [1]
Solange nicht anders angezeigt, wird die Lizenz wie folgt beschrieben: Attribution-NonCommercial-NoDerivatives 4.0 International