Automatisierte Mustererkennung in Zeitreihen zur selbstlernenden Leistungsüberwachung von Produktionsanlagen

Vor dem Hintergrund eines weltweit ansteigenden wirtschaftlichen Konkurrenzdrucks und sich gleichzeitig massiv verschärfender Klimaschutzvorgaben steht die Industrie vor gewaltigen Herausforderungen. Die informations- und kommunikationstechnische Verzahnung der industriellen Produktion birgt dabei großes Potenzial diesen Herausforderungen zu begegnen, bedarf jedoch umfassender, kostenaufwändiger Messdatenerfassung, -aufbereitung, -speicherung sowie -auswertung. Sogenannte sensorreduzierte Ansätze der Leistungs- und Zustandsüberwachung von Produktionsanlagen in Kombination mit unüberwachten maschinellen Lernverfahren bieten die Möglichkeit, diesen Aufwand deutlich zu verringern. Der neuartige, vollständig automatisierte Ansatz dieser Dissertation benötigt lediglich eine beliebige Messzeitreihe als Eingangsgröße und keine weiteren Informationen, wie z. B. Anlagensteuerungssignale.
Verschiedene Anwendungen zeigen, inwiefern der Gesamtalgorithmus zum einen als Datenvorverarbeitungswerkzeug zur automatisierten Klassifizierung und Strukturierung nicht annotierter Zeitreihen und zum anderen als eigenständiges Energie- und Prozessanomalien-Diagnosewerkzeug verwendbar ist.