Under CopyrightKroll, BjörnBjörnKrollNiggemann, OliverOliverNiggemann2022-03-1224.1.20152014https://publica.fraunhofer.de/handle/publica/38638210.24406/publica-fhg-386382Seit der Einführung des Begriffes ""Industrie 4.0" wird die Modellierung von industriellen Prozessen verstärkt aufgegriffen. Eine der Anwendungen aus diesem Bereich ist zum Beispiel die Umsetzung von intelligenten Anomalieerkennungsystemen. Diese sollen z.B. Fehler oder Verschleiß bereits vor einem Maschinenausfall erkennen sowie nötige Wartungszyklen von Maschinen (oder Teilen), dynamisch anhand des aktuellen Zustandes planen. Dieser Beitrag stellt einen Ansatz vor, der mittels Sensordaten hybride, zeitbehaftete Automaten des Normalverhaltens erlernt und kontinuierliche Signale mittels Kalman Filter modelliert. Hierbei werden die Signale (z.B. Energiedaten) auf einzelne Zustände reduziert betrachtet, dies erlaubt eine effektive Erkennung von anormalem Verhalten in hybriden Systemen. Diese Methodik wird anhand von drei prototypischen Anlage evaluiert, sowie ein Ausblick auf weitere neue Anwendungsmöglichkeiten gegeben.deconference paper