Benutzer: Gast  Login
Mehr Felder
Einfache Suche
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