Deep learning for anomaly detection in multivariate time series data

Abstract

Das Erkennen von Anomalien in Sensordaten ist ein wichtiger Anwendungsfall in der Industrie, um Fehler in maschinellen Prozessen frühzeitig erkennen zu können und potentiellen Schäden vorzubeugen. In dieser Arbeit wird ein Deep-Learning-Verfahren entwickelt, welches in mehrdimensionalen Sensordaten ungewöhnliche Muster erkennen kann. Dafür werden Echtdaten aus einer industriellen Anwendung verwendet.

Anomaly detection is crucial for the procactive detection of fatal failures of machines in industry applications. This thesis implements a deep learning algorithm for the task of anomaly detection in multivariate sensor data. The dataset is taken from a real-world application.