KI & Datenanalyse umfasst Beiträge zu Zeitreihenanalyse, Anomalieerkennung und Machine Learning in technischen Anwendungen. Fokus sind robuste Methoden, nachvollziehbare Modelle und praxisnahe Auswertung von Mess- und Simulationsdaten.
In diesem Beitrag geht es um die automatische Anomalieerkennung in Zeitreihen. Ziel ist die automatische Erkennung von Abweichungen vom Normalbetrieb. Das Ergebnis ist ein kontinuierlicher Anomaliescore, der sich direkt für Warn- und Alarmstufen nutzen lässt. Inhaltlich knüpft der Beitrag an Anomalieerkennung in Zeitreihen (Teil 1) an. Dort stellte der Beitrag einen […]
Anomalieerkennung in Zeitreihen bedeutet: Fortlaufende Mess- und Prozessdaten werden automatisch darauf geprüft, ob das Systemverhalten auffällig vom erwarteten Normalbetrieb abweicht. In technischen Anwendungen betrifft das typischerweise Sensorwerte wie Temperatur, Druck oder Strom, Kennzahlen aus IT- und OT-Monitoring oder Qualitätsmessungen. Der Nutzen liegt darin, Abweichungen frühzeitig zu identifizieren, bevor daraus Ausfälle, […]
Signalverarbeitung ist in vielen Anwendungen zentral. Von der drahtlosen Kommunikation über akustische Messungen bis zur Seismologie müssen große Datenströme in Echtzeit ausgewertet werden. Häufig geht es darum, in verrauschten Signalen bekannte Muster zu erkennen, zum Beispiel den Beginn einer Übertragung oder die Signatur einer Quelle. GPU-Beschleunigung bis zu 30× gegenüber […]
Gut formulierte Commit-Messages sind entscheidend für die Lesbarkeit und Nachvollziehbarkeit eines Softwareprojekts. Sie dokumentieren Änderungen, unterstützen Code-Reviews und helfen bei der Fehlersuche. Dennoch fallen sie im Alltag oft zu kurz aus oder wirken uneinheitlich. Genau hier setzt dieser Beitrag an: Er zeigt, wie sich Commit Messages git diff mithilfe Künstlicher […]
In diesem Beitrag möchte ich erste Resultate aus der Implementierung und Anwendung eines Long Short-Term Memory (LSTM)-Netzwerks in C++ mit der libtorch-Bibliothek vorstellen. Ziel war es, die Leistungsfähigkeit eines LSTM-Modells für Zeitreihenanalysen, insbesondere bei der Vorhersage eines verrauschten Sinus-Signals, zu untersuchen. Das LSTM-Modell hat dabei gezeigt, wie effektiv es Muster […]
Hier werden die Ergebnisse der Testrechnungen für das PINNs: Physics-Informed Neural Network dargestellt und kurz analysiert. Der Schwerpunkt liegt auf dem Verhalten der PINNs außerhalb des Trainingsintervalls sowie dem Frequenz-Prinzip (F-Prinzip), das beschreibt, wie neuronale Netze unterschiedliche Frequenzen lernen – insbesondere, dass niedrige Frequenzen schneller erfasst werden als hohe. „Ich […]
In diesem Beitrag beschreibe ich die Entwicklung und Implementierung eines einfachen neuronalen Netzwerks zur Approximation der Sinusfunktion. Die Methodik folgt den physikalisch informierten neuronalen Netzen (PINNs), die maschinelles Lernen mit physikalischen Gesetzen verbinden. Dadurch entstehen Modelle, die diese Gesetze explizit einhalten. Ein zentraler Vorteil von PINNs ist, dass sie keine […]