Využití strojového učení v platformě Industrial Edge
Potentials of Machine Learning for Use in Industrial Edge Platform
Type of document
diplomová prácemaster thesis
Author
Martina Bechyňová
Supervisor
Kubátová Hana
Opponent
Beneš Peter Mark
Field of study
Návrh a programování vestavných systémůStudy program
InformatikaInstitutions assigning rank
katedra číslicového návrhuRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Cílem této práce je prozkoumat analytické nástroje založené na strojovém učení na nové platformě Industrial Edge, která využívá edge computing architekturu, a navrhnout její rozšíření pro uplatnění v železniční infrastruktuře. V jedné z aplikací byla částečně replikována aplikace pro monitorování stavu výhybek, přesto na této platformě chybí vizualizační nástroj pro reálný čas, který má velkou míru přizpůsobitelnosti a profesionální vzhled. Aplikace Anomaly Detection prokazuje největší potenciál pro prediktivní údržbu přestavníků, ale nezvládá čelit specifickým výzvám v jejich datech. Model, který používá pouze konvoluční autoenkodér, jednu z nejmodernějších architektur pro detekci anomálií v časových řadách, narazil na stejný problém. Z tohoto důvodu tato práce navrhuje nový hybridní model, ve kterém je využit základní model založen na neuronových jednotkách vyššího řádu pro rozšíření algoritmů aplikace Anomaly Detection a zlepšení její dovednosti detekovat poruchy v přestavnících. This thesis aims to investigate machine-learning-based analytics tools of the novel Siemens Industrial Edge platform, which employs an edge-computing architecture, and propose extensions for its use in rail infrastructure applications. A turnout health status application was partially replicated in one of the applications, but the platform lacks a highly customizable, professional-looking, and real-time data visualization tool. The Anomaly Detection application shows the most promise for predictive maintenance of point machines, but it struggles to counter their data's unique challenges. A model using solely a convolutional autoencoder, one of the state-of-the-art autoencoder architectures for time series anomaly detection, encountered that same problem. As such, this thesis proposes a novel hybrid model where a high-order neural unit foundation model is used to extend Anomaly Detection's algorithms and improve its ability to detect point machine faults.