Masterprüfung mit Defensio, Thill Sarah

02.12.2022 11:00 - 12:30

Universität Wien

Besprechungsraum 4.34

Währinger Str. 29

1090 Wien

02.12.2022, 11:00 Uhr
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: „Unsupervised Root Cause Analysis of Anomalies in Multivariate
Time Series Signals“

Kurzfassung:
In dieser Masterarbeit wird ein Ansatz zur Identifizierung der Ursachen von Anomalien in
multivariaten Zeitreihensignalen analysiert. Insbesondere betrachten wir das Problem der
Identifizierung von Ursachen von Anomalien aus Elektrolichtbogenofendaten. In dieser
Arbeit wird analysiert, wie der ARCANA-Ansatz, der darin besteht, zunächst einen
Standard-Autoencoder für die Anomalie Erkennung zu trainieren und dann mit einer
spezifischen Funktion zu optimieren, auf Lichtbogenofendaten angewendet werden kann.
Das ARCANA-Optimierungsverfahren modifiziert die Originalsignale so, dass die Rekonstruktion
der modifizierten Signale durch den Autoencoder nahe an den modifizierten
Signalen liegt. Mit anderen Worten, die Anomalien werden während dem ARCANAAnsatz
eliminiert. Der ARCANA-Ansatz wurde ursprünglich an Windturbinendaten
getestet. Da die Daten von Lichtbogenöfen besondere Eigenschaften haben, muss der
ARCANA-Ansatz modifiziert werden. Ein Standard-Autoencoder, der im ursprünglichen
ARCANA-Ansatz verwendet wird, ist nicht in der Lage, die Eigenschaften von Lichtbogenofendaten
korrekt zu erlernen, wodurch eine Anomalie Erkennung unmöglich wird.
Der vorgeschlagene angepasste ARCANA-Ansatz besteht darin, zuerst entweder einen
LSTM-Autoencoder oder einen Conv1D-Autoencoder zu trainieren, bevor es unter Verwendung
der ARCANA-funktion optimiert wird. Eine bayessche Perspektive des Ansatzes
wird hergeleitet, um weitere Anpassungen der ARCANA-funktion zu diskutieren. Gemischte
Normen werden als mögliche Erweiterung des Ansatzes betrachtet. Die angepasste
Methode wird zunächst auf künstliche Datensätze angewendet, die die Eigenschaften von
Lichtbogenofendaten haben, um experimentell zu demonstrieren, dass der angepasste
Ansatz den ursprünglichen Ansatz übertrifft. Um das Verfahren zu evaluieren, werden
künstliche Anomalien erzeugt. Anschließend wurde der angepasste ARCANA-Ansatz an
einem realen Datensatz getestet, der die Messungen eines Elektrolichtbogenofens enthält.
Schließlich wurde die Robustheit der Methode auch am realen Datensatz bewertet.
 

Organiser:

SPL 5

Location:

Besprechungsraum 4.34

Währinger Straße 29
1090 Wien