Anomalieerkennung durch Clustering. Predictive Maintenance in einem Blockheizkraftwerk

Studienarbeit aus dem Jahr 2020 im Fachbereich Ingenieurwissenschaften - Anlagenbau, Note: 1,0, Karlsruher Institut fur Technologie (KIT) (Information & Market Engineering), Sprache: Deutsch, Abstract: In dieser Arbeit wird beispielhaft eine multivariate Zeitreihe von knapp neun Monaten einer Blockheizkraftwerk-Anlage analysiert. Durch das Toeplitz Inverse Covariance-Based Clustering konnen sich wiederholende Muster in der Zeitreihe identifiziert und ebenfalls interpretiert werden. Ein Vergleich der Clusterergebnisse zu einer vorangehenden Komprimierung der Zeitreihen durch ein Autoencoder Netzwerk wird ebenfalls gezeigt. Durch den gro en Druck, die Wettbewerbsfahigkeit im produzierenden Gewerbe aufrechtzuerhalten, werden vermehrt Industrie 4.0 Strategien vorangetrieben. Mit dem Beginn neuer Datenverarbeitungstechnologien wird ein Mehrwert durch Datenanalyse in der Produktion mit Cyber Physical Systems generiert. Die Wartung von Maschinen und Prozessen verbessert sich durch diese Entwicklungen signifikant. Eine genaue Vorhersage unnormaler Zustande spielt eine Schlusselrolle, wenn die Produktivitat erhoht und die Maschinenausfalle reduziert werden sollen. Trotzdem bleibt die Maschinendatenanalyse mit Verfahren des maschinellen Lernens, um kritische Charakteristiken fur die Wartung zu erkennen, schwierig. Maschinen werden oft rekonfiguriert, einzelne Sensoren fallen aus oder verfalschen die Messwerte, sodass die Komplexitat zusatzlich erhoht wird.