Beiträge rund um die Analyse zeitabhängiger Daten mit Methoden der künstlichen Intelligenz – insbesondere mit LSTM-Netzwerken, klassischer Fourier-Analyse oder exponentiellen Glättungen. Siehe auch die Wikipedia-Seite zur Zeitreihenanalyse.
In diesem Beitrag geht es um die automatische Anomalieerkennung in Zeitreihen. Ziel ist es, fortlaufende Mess- und Prozessdaten darauf zu prüfen, ob das Systemverhalten vom erwarteten Normalbetrieb abweicht. Das Ergebnis ist ein kontinuierlicher Anomaliescore, der sich direkt für Warn- und Alarmstufen nutzen lässt. Inhaltlich knüpft der Beitrag an Anomalieerkennung in […]
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, […]
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 […]