TY  - THES
A3  - Kleine Büning, Hans
A3  - Niggemann, Oliver
A3  - Zilles, Sandra
AB  - Die Wichtigkeit von Sicherheit und Zuverlässigkeit in heutigen komplexen Produktionssystemen, wie Prozessanlagen, führte zur Entwicklung von verschiedenen Techniken zur Anomalieerkennung und Diagnose. Unter diesen haben sich modellbasierte Ansätze als am erfolgreichsten etabliert; diese sind jedoch von einem Verhaltensmodell des Systems abhängig, das typischerweise manuell erstellt werden muss. Komplexe Systeme sind sowohl durch zeitabhängiges probabilistisches Verhalten charakterisiert. Da das Verhalten des Gesamtsystems durch diskrete und durch kontinuierliche Variablen beschrieben ist, nennt man solche Systeme Hybrid-Systeme. Die manuelle Modellierung solcher Systeme ist eine sehr schwierige Aufgabe: Sie erfordert umfangreiches Fachwissen, erhebliche Finanzmittel und Personal sowie ständige manuelle Updates. Das Ziel dieser Arbeit war, eine Alternative zur manuellen Modellierung zu finden, d.h. einen Ansatz zu entwickeln, der Verhaltensmodelle automatisch aus Log-Daten lernt. Hybride Automaten erwiesen sich als die beste Wahl für den Formalismus zur Modellierung. Zusätzlich zu ihrer Ausdruckskraft haben sie den weiteren Vorteil, leicht visualisiert, verstanden und interpretiert werden zu können. Um Modelle automatisch zu lernen, wurde der Hybrid Bottom-Up Timing Learning Algorithm (HyBUTLA) entwickelt. Eine umfangreiche Komplexitätsanalyse bezüglich des Lernens von hybriden Automaten zeigt, dass ihre stochastische deterministische Unterklasse mit einem Taktgeber mit dem HyBUTLA Algorithmus in polynomieller Zeit gelernt werden kann. Nach unserem besten Wissen ist der HyBUTLA Algorithmus der erste Lernalgorithmus für hybride Automaten, der ein Hybrid-System modellieren kann. Wir zeigen, dass unser Ansatz gegen den korrekten Automaten konvergiert, wenn genügend Trainingsdaten verfügbar sind. Gelernte Modelle wurden zur Anomalieerkennung verwendet.
AU  - Vodenčarević, Asmir
DA  - 2013
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 14.05.2013
N1  - Paderborn, Univ., Diss., 2013
PB  - Veröffentlichungen der Universität
PY  - 2013
T2  - Fakultät für Elektrotechnik, Informatik und Mathematik
TI  - Identifying behavior models for hybrid production systems
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-11878
Y2  - 2025-04-23T02:15:05
ER  -