Volltext-Downloads (blau) und Frontdoor-Views (grau)
The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 7 of 1676
Back to Result List

Datengestützte Analyse von Biomassekraftwerken

  • Die vorliegende Arbeit beschreibt eine Methode zur Prognose von Anomalien in einzelnen Sensordaten für die Anwendung in Expertensystemen im Bereich der Biomassekraftwerke. Die in fünf Schritten beschriebene Methode beinhaltet neben der Datenaufbereitung eine Anomalievorauswahl durch eine unüberwachte Ausreißererkennung, welche mittels des PYOD-Toolkit umgesetzt wurde. Bei der anschließenden Anomaliebestimmung wird der zuvor generierte binäre Zielvektor durch einen mit dem System vertrauten Experten validiert. Eine darauffolgende überwachte binäre Klassifikation mit unbekannten Betriebsdaten ergibt, dass mittel- bis langfristige Anomalien im Mehrstunden- bis Mehrtagesbereich in Form eines Trends reproduktiv vorhergesagt werden können. Kurzfristige Anomalien im Minutenbereich in Form von Extremfällen können hingegen nicht reproduktiv vorhergesagt werden. Eine zusätzliche Untersuchung zur Vorhersage einer Anomalie noch vor deren tatsächlichen Eintrittszeitpunkt brachte keine zufriedenstellenden Ergebnisse. Demnach lässt sich mit dieser Methode nur eine bestimmte Art von Anomalien in Expertensystemen für Biomassekraftwerke vorhersagen. Dazu sollte zudem darauf geachtet werden, dass es trotz positiv erzielter quantitativer Ergebnisse notwendig ist, für die qualitative Prüfung einen mit dem System vertrauten Experten hinzuzuziehen und dass für die zu prognostizierende Anomalie die geeignete Abtastzeit zu wählen ist. Abschließend bleibt zu erwähnen, dass Anomalien, welche nur durch Über- bzw. Unterschreitung eines definierten Grenzwertes gekennzeichnet werden, als zu trivial für diese Methode gelten. Diese können über eine einfache Grenzwertbetrachtung identifiziert werden.
  • This study describes a method for predicting anomalies in individual sensor data for the application in expert systems in the field of biomass power plants. Next to data preparation, the five-step method includes the anomaly preselection through unsupervised outlier detection, which was implemented by using the PYOD toolkit. Within the subsequent anomaly determination, the previously generated binary target vector is validated by an expert familiar with the system. This is followed by a supervised binary classification with unknown operational data which shows that medium- to long-term anomalies in the range of several hours to several days can be predicted reproducibly in the form of a trend. Short-term anomalies in the range of minutes, however, cannot be predicted reproducibly. The results of an additional investigation for the prediction of an anomaly prior to its actual time of occurrence were not satisfactory. Consequently, this method can only be used for the prediction of a specific type of anomalies in expert systems for biomass power plants. In this respect, it should also be noted that despite positively obtained quantitative results, it is necessary to involve an expert familiar with the system for the qualitative verification and to choose the appropriate sampling time for the anomaly to be predicted. Anomalies which are only characterized by exceeding or falling below a defined limit value are considered too trivial for this method. Such anomalies can be identified by a simple limit value analysis.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Benjamin Duscher
DOI:https://doi.org/10.25924/opus-3904
Subtitle (German):Methode zur Prognose von Anomalien für die Anwendung in Expertensystemen
Title Additional (English):Data-driven analysis of biomass power plants
Advisor:Markus Preißinger
Document Type:Master's Thesis
Language:German
Year of publication:2021
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2021/02/23
Tag:Anomalie; Ausreißer; Expertensysteme
Machine learning
Number of pages:IX, 62, [18]
DDC classes:600 Technik, Medizin, angewandte Wissenschaften
Open Access?:ja
Course of Studies:Energietechnik und Energiewirtschaft
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz