| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | 141504b8-4a23-4baf-86fa-a67334cf1a76 |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 1/1/2019 |
|---|
| End | 12/31/2020 |
|---|
| title fr |
|
|---|
| title nl | Adaptief verbeterende anomalie detectie en oorzaak analyse door middel van semantiek en machinaal leren
|
|---|
| title en | Enhanced adaptive anomaly detection and root cause analysis by means of semantics and machine learning
|
|---|
| Description fr |
|
|---|
| Description nl | De sensorbewakingssystemen van vandaag kunnen afwijkend gedrag detecteren en hun onderliggende oorzaken ontlenen aan de hand van door experts aangestuurde regels of door gegevensgestuurde machine learning-modellen. Deskundig gestuurde benaderingen vereisen veel menselijke betrokkenheid om te opereren in omgevingen die de deskundige informatie direct ter beschikking stellen. Data-driven benaderingen daarentegen zijn meer aangepast aan specifieke veranderingen maar vereisen grote hoeveelheden gegevens om goed te generaliseren en hebben moeilijkheden om de oorzaken te interpreteren of af te leiden. Uiteindelijk moet een afweging gemaakt worden tussen de niet-adaptieve benaderingen die veel menselijke inspanning vergen of de minder interpreteerbare modellen die alarmsignalen genereren.Om deze problemen op te lossen, is het doel van dit onderzoek om de expertkennis uit het toepassingsdomein autonoom op te nemen in meerdere delen van het gegevensgestuurde leerproces:- Deskundige kennis zal worden gebruikt in de anomalie-detectiegereedschappen, om het aantal vals en achterblijvende afwijkingen te verminderen.- Oorzaak analysemethoden zullen de onderliggende reden voor het gedetecteerde ongewenste gedrag afleiden door een combinatie van interpreteerbare detectiemodellen en de beschikbare kennis van deskundigen te gebruiken.- Domeinexpertise zal samen met de sensorwaarnemingen worden gebruikt om het normale gedrag te profileren, resulterend in een beter begrip van de gegeven gegevens.De combinatie van deze drie delen resulteert in een interpreteerbare en adaptieve sensormonitor, beoordeeld binnen het domein van predictief onderhoud & gezondheidszorg.
|
|---|
| Description en | The sensor monitoring systems of today can detect anomalous behaviour & derive their underlying causes by either using expert-driven rules or by data-driven machine learning models. Expert-driven approaches require much human involvement to operate in environments providing the expert information on the fly. In contrast, data-driven approaches are more adaptive to specific changes but require large amounts of data to generalise well & have difficulties to interpret or derive the causes. In the end, a trade-off must be made between the non-adaptive approaches requiring a lot of human effort or the less interpretable models generating floods of alarms.To resolve these problems, the goal of this research is to autonomously incorporate the expert knowledge from the application domain into multiple parts of the data-driven learning process:- Expert knowledge will be used inside the anomaly detection tools, to reduce the number of falsely & underpredicted anomalies.- Cause analysing methods will derive the underlying reason for the detected unwanted behaviour by using a combination of interpretable detection models & the available expert knowledge.- Domain expertise together with the sensor observations will be used to profile the normal behaviour, resulting in a better understanding of the given data.Combining these three parts will result in an interpretable & adaptive sensor monitor tool, evaluated within the predictive maintenance & healthcare domain.
|
|---|
| Qualifiers | - Analyse van worteloorzaken - Anomaliedetectie - Anomaly detection - Root cause analysis - Sensor monitoring systems - Sensorbewakingssystemen - |
|---|
| Personal | De Turck Filip, Steenwinckel Bram, Ongenae Femke |
|---|
| Collaborations | |
|---|
