User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Efficient Deep Feature Learning for Noisy Industrial Time-Series Data
Translated title:
Effizientes Deep Feature Learning für verrauschte industrielle Zeitreihendaten
Author:
Tnani, Mohamed Ali
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Diepold, Klaus (Prof. Dr.)
Referee:
Diepold, Klaus (Prof. Dr.); Zillner, Sonja (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
TUM classification:
DAT 001
Abstract:
Signal processing achievements have led to promising data-driven techniques for machine process monitoring. However, implementing these in real-world production is complex due to environmental challenges and requires expertise. To address this, this thesis explores deep learning methods for noisy industrial time-series data. It proposes a novel benchmark dataset, introduces a new deep learning architecture, and utilizes a two-stage learning approach with limited annotations.
Translated abstract:
Fortschritte in der Signalverarbeitung haben zu vielversprechenden datengesteuerten Verfahren für die Überwachung von Maschinenprozessen geführt. Deren Umsetzung in der realen Produktion ist komplex und erfordert Fachwissen. In dieser Arbeit werden Methoden des Deep Learning für verrauschte industrielle Zeitreihendaten erforscht. Es wird ein Benchmark-Datensatz vorgestellt, eine Deep-Learning-Architektur eingeführt und ein zweistufiger Lernansatz verwendet.
WWW:
https://mediatum.ub.tum.de/?id=1713783
Date of submission:
26.06.2023
Oral examination:
14.03.2024
File size:
15129246 bytes
Pages:
94
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240313-1713783-1-3
Last change:
19.04.2024
 BibTeX