In der Übersicht
In vielen industriellen Anwendungen trifft man auf die Problemstellung, dass ein abweichender Zustand oder ein abweichendes Verhalten von einem normalen oder zu erwartendem Verhalten detektiert werden soll. Dies soll vollautomatisiert und mit hoher Zuverlässigkeit passieren. Das Erkennen solch abweichender Zustände wird auch als «Anomaly Detection» bezeichnet. Ein praktisches Beispiel dafür ist das Erkennen einer noch lauffähigen aber fehlerbehafteten Maschine.
In dieser Arbeit sollen die Möglichkeiten von Gaussian Processes in Bezug auf «Anomaly Detection» aufgezeigt werden und auf einen Sensor-Datensatz von Roche angewendet werden. Dabei sollen bewährte Techniken als Benchmark dienen.
In einem ersten Schritt soll ein tieferes Verständnis sowie die Motivation für «Anomaly Detection» geschaffen werden. Bewährte Techniken sollen dabei kurz beleuchtet werden und die Vorteile und das Potential von Gaussian Processes aufgezeigt werden.
In einem zweiten Schritt wird mithilfe geeigneter Literatur ein klares Verständnis der theoretischen Grundlagen geschaffen, die für das Anwenden von Gaussian Processes notwendig sind. Dazu wird die Theorie mit einfachen Beispielen und dazugehörigen Code-Snippets Schritt für Schritt erklärt.
Aufbauend auf diesen Grundlagen soll gezeigt werden, wie Gaussian Processes verkettet und zu Deep Gaussian Processes aufgebaut werden können. Dazu sollen die aus dieser Verkettung resultierenden Eigenschaften aufgezeigt werden.
Im nächsten Schritt sollen Methoden der Dimensionsreduktion mit Hilfe von Gaussian Processes aufgezeigt werden. Dazu sollen die Methoden GP-LVM, DGP Autoencoders und DGP Variational Autoencoders eingeführt und erklärt werden.
Schliesslich sollen diese Dimensionsreduktions-Methoden auf einen Sensor-Datensatz von Roche angewendet werden und mit herkömmlichen Techniken wie PCA, MDS und t-SNE verglichen werden
