Im Rahmen der 20. International Conference on Engineering Applications of Neural Networks ( EANN 2019 ) veröffentlicht das Forschungsprojekt ProDok 4.0 eine wissenschaftliche Publikation mit dem Titel Outlier Detection in Temporal Spatial Log Data using Autoencoder for Industry 4.0.
Die Autoren Prof. Dr. Bernhard G. Humm, Lukas Kaupp und Ulrich Beez vom Fachbereich Informatik der Hochschule Darmstadt, sowie Jens Hülsmann von der ISRA SURFACE VISION behandeln in der Publikation das Thema der Erkennung von Ausreißern in großen Mengen von Maschinendaten. Hierbei handelt es sich um hochdimensionale Zeitreihen von Logdaten , die mittels einer Methode des unüberwachten maschinellen Lernens analysiert wurden, um Ausreißern vom „normalen“ Zustand ohne domänspezifische Kenntnisse zu erkennen.
Die eingesetzte Methode wurde mit realen, ungelabelten Logdaten eines Glasinspektionssystems eigesetzt. Zusammen mit einem Domänexperten legten wir zunächst und zum Zwecke der Validierung sinnvolle Ausreißerbereiche fest. Mit der entwickelten Methode konnten wir alle bekannten Ausreißerbereiche finden. Darüber hinaus wurden Ausreißer gefunden, die dem Domaänexperten bisher nicht bekannt waren, und die er ex post als solche verifizieren konnte.
Die 20. International Conference on Engineering Applications of Neural Networks fand vom 24.-26. Mai 2019 auf Kreta, Griechenland, statt.
Der Artikel ist im Proceeding-Band der Konferenz im Springer-Verlag erschienen.
Kaupp L., Beez U., Hülsmann J., Humm B.G. (2019) Outlier Detection in Temporal Spatial Log Data Using Autoencoder for Industry 4.0. In: Macintyre J., Iliadis L., Maglogiannis I., Jayne C. (eds) Engineering Applications of Neural Networks. EANN 2019. Communications in Computer and Information Science, vol 1000. Springer, Cham
Print ISBN 978-3-030-20256-9
Online ISBN 978-3-030-20257-6
