Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Clustering von Druckluftvolumenströmen zur Erkennung von Anomalien mit maschinellem Lernen

 
: Dierolf, Christian; Sauer, Alexander

:
Volltext urn:nbn:de:0011-n-5930459 (1.0 MByte PDF) - Langfassung
MD5 Fingerprint: ec7f0e4ba8a2316f7c5e79cd5e894e2c
Erstellt am: 11.6.2020


Bachhiesl, U. ; TU Graz:
Energy for Future - Wege zur Klimaneutralität. 16. Symposium Energieinnovation, EnInnov2020 : 12.-14. Februar 2020, Graz, Österreich; Kurzfassungsband
Graz: Verlag der TU Graz, 2020
ISBN: 978-3-85125-734-2
ISBN: 978-3-85125-735-9
S.380-381
Symposium Energieinnovation (EnInnov) <16, 2020, Graz>
Deutsch
Konferenzbeitrag, Elektronische Publikation
Fraunhofer IPA ()
Cluster Analyse; Druckluftstrahlen; Künstliche Intelligenz; maschinelles Lernen; Strömungstechnik

Abstract
Ziel der vorliegenden Arbeit ist es, Volumenströme einer Druckluftanlage mit unüberwachtem maschinellem Lernen zu clustern. Die Untersuchungen zeigen, wie sich die Clusteranalyse eignet, um charakteristische Verläufe zu identifizieren und Anomalien zu erkennen. Zuerst werden datenbasierte Merkmale, wie Minima und Maxima, aus den jeweiligen Tagesmessungen auf 15 Minutenbasis erstellt. Anschließend werden diese auf zwei bzw. drei Hauptkomponenten reduziert. Zum Clustering der Daten werden neben kMeans weitere Algorithmen mit unterschiedlicher Clusteranzahl untersucht. Die Analysen zeigen eine nachvollziehbare Gruppierung der Volumenstromverläufe mit vier Clustern. Weichen Tagesprofile von einem vorgegebenen Toleranzband ab, sind diese im Signalverlauf als Anomalie erkennbar. Die Erhöhung der Anzahl von vier auf neun zu gruppierende Cluster führt bei der Untersuchung dazu, dass Anomalien durch verschiedene Cluster unterschieden werden.

: http://publica.fraunhofer.de/dokumente/N-593045.html