Clustering von Druckluftvolumenströmen zur Erkennung von Anomalien mit maschinellem Lernen

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.