Login
- Originaltitel:
- Efficient Deep Feature Learning for Noisy Industrial Time-Series Data
- Übersetzter Titel:
- Effizientes Deep Feature Learning für verrauschte industrielle Zeitreihendaten
- Autor:
- Tnani, Mohamed Ali
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Diepold, Klaus (Prof. Dr.)
- Gutachter:
- Diepold, Klaus (Prof. Dr.); Zillner, Sonja (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- TU-Systematik:
- DAT 001
- Kurzfassung:
- 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.
- Übersetzte Kurzfassung:
- 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
- Eingereicht am:
- 26.06.2023
- Mündliche Prüfung:
- 14.03.2024
- Dateigröße:
- 15129246 bytes
- Seiten:
- 94
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240313-1713783-1-3
- Letzte Änderung:
- 19.04.2024
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and Technology
- mediaTUM GesamtbestandHochschulbibliographie2024Schools und FakultätenTUM School of Computation, Information and TechnologyDatenverarbeitung (Prof. Diepold)