Deep learning performs remarkably well on many time series analysis tasks recently. The superior performance of deep neural networks relies heavily on a large number of training data to avoid overfitting. However, the labeled data of real-world time series applications may be limited, especially anomaly detection. As an effective way to enhance the size and quality of the training data, data augmentation is crucial to the successful application of deep learning models on time series data. In this thesis, the student will systematically review different data augmentation methods for time series anomaly detection.
The student will implement data augmentation on different CPS anomaly detection datasets and evaluate the results.
1) Literature research of existing anomaly detection datasets in Cyber-Physical Systems.
2) Literature research of state-of-the-art data augmentation method.
3) Categorization of the datasets according to the application field and characteristics.
4) Extract normal and abnormal patterns from real-world data.
5) Transform the extracted patterns into synthetic data.
6) Evaluation of the augmented dataset.
python
Sheng Ding
♦
Nowadays, deep-learning-based methods for anomaly detection and diagnosis are attracting more and more attention. To make research results into the application, a good way of demonstration is to develop a service for a certain kind of task. In this thesis, the student will train neural networks on multivariate time series data from CPS systems for anomaly detection using existing code. The highlighted part is to deploy it as a containerized REST API. The use case is where externally collected sensor data is streamed to the API for near real-time anomaly detection analysis.
1) Train different models for the dataset using existing code.
2) Put the existing code for processing data in a REST API using the Flask framework.
3) Visualization of the data and detection.
4) Deploy it within a Docker container.
5) Optional: Use Kubernetes for exposing the API as a service.
python
Sheng Ding
♦
In the field of RAMS engineering, there are several different quantitative measures, both relative and absolute. ISO 13306 defines maintainability as "the ability of an item under given conditions of use, to be retained in, or restored to, a state in which it can perform a required function, when maintenance is performed under given conditions and using stated procedures and resources". However, maintainability lacks any clear and concise quantifiable measures.
This work may include a literature review of degradation modelling or maintenance optimization depending on the student’s familiarity with the subject. However, this work main purpose is the mathematical formalization of relative maintainability measures rooted in degradation modelling with the end ambition of arriving at a publishable paper.
Calculus, Statistics (Regression, Probability Distributions), good English skills (working language is english). Knowledge about model-based engineering or degradation modeling is an advantage.
Joachim Grimstad
♦
Im Bereich der Industrieautomatisierung nimmt die Verwendung maschineller Lern-verfahren (ML) zu. Damit die Zuverlässigkeit solcher ML-Funktionen gewährleistet ist, müssen diese Generalisierungsfähigkeit und Robustheit aufweisen. Ein Szena-rio, das beide Eigenschaften fordert, ist Distribution Shift: Die Verschiebung der Da-tenverteilung während der Anwendung der Funktion im Vergleich zu den Trai-ningsdaten. Der Einfluss von Distribution Shift auf die Leistungsfähigkeit einer ML-Funktion muss bei der Zuverlässigkeitsbewertung beachtet werden.
Im Kontext dieser Arbeit steht die Zuverlässigkeitsbewertung einer Anomaliedetekti-on auf Basis eines neuronalen Netzes im Vordergrund. Die Funktion überwacht die Bewegung eines Roboterarms, welche in Matlab/Simulink simuliert wird, und er-kennt Hardwarefehler.
Ziel dieser Arbeit ist die Modellierung von Bewegungsprofilen des Roboterarms in Matlab/Simulink. Diese Bewegungsprofile sollen aus sinnvollen Aufgaben des Ro-boterarms abgeleitet werden und sich vom standardmäßigen Bewegungsprofil so unterscheiden, dass dadurch Distribution Shift modelliert wird. Folgende Aufgaben sind durchzuführen:
- Literaturrecherche zu Arten und Ausprägungen von Distribution Shift in Zeit-reihen und bei Roboterarmen im industriellen Umfeld
- Entwicklung sinnvoller modellhafter Aufgaben des Roboterarms, welche Dis-tribution Shift bewirken
- Modellierung der Aufgaben in Matlab-Simulink durch Entwicklung von Weg-punkten und Parametrierung von Bewegungsprofilen des Roboterarms
- Simulation von Zeitreihendaten der Roboterbewegung, Injektion von Hard-warefehlern mittels vorhandenen Tools, Nachbearbeitung der Datensätze
- Statistische Auswertung des Distribution Shift zwischen den Datensätzen mit Standardbewegungsprofil und Distribution Shift Bewegungsprofil.
- Matlab / Simulink
Sheng Ding
♦
Im Kontext von Industrie 4.0 ist eine hohe Individualisierung der Produktion gefordert, diese Produktion wird zukünftig immer mehr mit Hilfe sogenannter Cyber-Physischer Produktionssysteme (CPPS) realisiert. Durch den verstärkten Bedarf kleine Losgrößen zu realisieren und die Unmöglichkeit der Vorhersage aller Ziele eines Systems zur Entwicklungszeit kommt der Rekonfiguration von CPPS eine immer größere Bedeutung zu.
- Einarbeitung in das Forschungsthema des Betreuers (Rekonfigurations-management von CPPS).
- Erweiterung der Rekonfigurationsmanagement-Methodik um eine „Bottleneck-Identifikation“. Das Grobkonzept hierzu wurde bereits erdacht, darf aber angepasst werden.
- Implementierung und Integration in das bestehende Agentensystem des CPPS.
- Evaluierung der Ergebnisse anhand von definierten Szenarien. Benchmarking.
- Sehr gute MATLAB Kenntnisse (Java von Vorteil)
- Selbstständiges, wissenschaftliches Arbeiten
- Gute Mathe-Kenntnisse
- Gute Deutsch- und Englischkenntnisse
Timo Müller
♦
Co-Simulation ist ein probates Mittel um dynamische und heterogene IoT-Systeme zu simulieren. Allerdings ergibt sich hierbei die Herausforderung, dass die verwendete Co-Simulation ebenfalls dynamische Ein- und Austritte von Komponenten zur Laufzeit zulässt um der Dynamik der IoT-Systeme gerecht zu werden. Hierzu entsteht ein neuartiges Co-Simulationskonzept am IAS welches „Plug-and-Simulate“-fähig ist.
Untersuchung von Co-Simulations-frameworks (bspw. Mosaik, EPOCHS) aus dem Bereich der Smart Grids hinsichtlich
- Grundsätzlicher Funktionsweise
- Schnittstellenaufbau
- Synchronisierung
Beispielhafte Implementierung einer solchen Co-Simulation
Belastbares Vorwissen bzgl. Simulation und Modellierung
Sehr gute Studienleistungen
Selbstständiges Arbeiten
Gute Englischkenntnisse
Tobias Jung
♦