Mara Vukadinovic,
"Daten-Monitoring für Roboteranwendungen: Vergleich regelbasierter Methoden mit Methoden des maschinellen Lernens für die Anomalieerkennung"
, 11-2024, Masterarbeit am Institut für Wirtschaftsinformatik - Data & Knowledge Engineering, Betreuung: Assoz. Univ.-Prof. Mag. Dr. Christoph G. Schütz
Original Titel:
Daten-Monitoring für Roboteranwendungen: Vergleich regelbasierter Methoden mit Methoden des maschinellen Lernens für die Anomalieerkennung
Sprache des Titels:
Deutsch
Original Kurzfassung:
Kurzfassung
Der Einsatz von Robotersystemen hat in den letzten Jahren in verschiedenen Anwendungsbereichen zunehmend an Bedeutung gewonnen. Dies erfordert jedoch eine genaue Überwachung und Speicherung der von den Robotern erzeugten Daten. Um diesem Bedarf gerecht zu werden, wird ein Monitoringsystem vorgeschlagen, das abnormale Situationen bei Robotern identifiziert und meldet. In der Forschung wird zwischen regelbasierten und maschinellen Lernmethoden unterschieden. Regelbasierte Ansätze verwenden vordefinierte Regeln, um Abweichungen vom erwarteten Verhalten zu erkennen. Im Gegensatz dazu erwerben maschinelle Lernalgorithmen die Fähigkeit, selbstständig Muster zu erlernen. In dieser Arbeit werden beide Ansätze untersucht, um festzustellen, ob regelbasierte Ansätze durch maschinelles Lernen ersetzt werden können. Die Bewertung der beiden Ansätze erfolgt anhand von drei herbeigeführten Anomalien. Die Auswertungen zeigen, dass der regelbasierte Ansatz deutlich bessere Ergebnisse erzielt als die maschinellen Lernmodelle. Die Studie zeigt aber auch, dass eine Kombination beider Ansätze die Schwächen des jeweils anderen überwinden könnte.
Sprache der Kurzfassung:
Deutsch
Englische Kurzfassung:
Abstract
In recent years, the use of robotic applications has become increasingly important in various industries. However, this development requires precise monitoring and storage of the data generated by the robotic systems. To address this need, a monitoring system is proposed that detects and reports abnormal situations in robots. In this context, the researchers differentiate between rule-based and machine-learning methods. Rule-based approaches use predefined rules to detect deviations from expected behavior. In contrast, machine-learning algorithms acquire the ability to learn patterns on their own. In this thesis, both approaches are evaluated to determine whether rule-based methods can be replaced by machine-learning algorithms. The evaluation of the two methods is based on three induced anomalies. The results show that the rule-based approach achieves significantly better results compared to the machine learning models. However, the study also reveals that a combination of both approaches could overcome the weaknesses of the other.
Erscheinungsmonat:
11
Erscheinungsjahr:
2024
Notiz zum Zitat:
Masterarbeit am Institut für Wirtschaftsinformatik - Data & Knowledge Engineering, Betreuung: Assoz. Univ.-Prof. Mag. Dr. Christoph G. Schütz
Forschungs-