Pattern Discovery, Learning and Detection in Time Series

Abstract

Úlohy strojového učení typicky vyžadují velký objem dat pro učení svých modelů. Tato dizeratace se zabývá analýzou časových rad, kterou jsou částým typem dat zaznamenávaných v průmyslu. Cílovou aplíkací jemodelování a analýza chování storjů. Tyto modely chování potřebují přesně strukturované trénovací datové sady,které jous typicky připravované ručně. To je nákladný a únavný proces náchylný k chybám. Tato komplikace znesnadňuje rošíření aplikací takových modelů chování v průmyslu, což násmotivovalo ke zkoumání celkového rocesu stochastického modelování chování strojů s cílem co nejvíce automatizovat krok nasazení těchto modelů v praxi. Náš výzkum začal úlohou modelování chování průmyslového robotického manipulátoru za použití dat o průběhu jeho spotřeby elektrické energie, kde bylo zapotřebí segmentovt časové řady spotřeby robotu na jednotlivé robotické operace. Tato analýza pousloužila jako základ pro výzkum optimálního plánování robotických operací za účelem snížení spotřeby elektrické energie. Cílovou doménu našho řešení jsme rozšírili ze spotřeb průmyslových robotů na obecké opakující se vzory chování v časových řadách. Naše výsledky jsou primárně ověřovány na případech průmyslových robotů, ale naše metody jsou obecné a jsou aplikovatelné na širokou škálu průmyslových problémů, což jsme také ověřili na průmyslové aplikaci na vsádkových pecích.

Machine learning tasks typically require large amount of data for training. This dissertation focuses on time series analysis, which is a frequent type of data collected in industry. The desired application is modeling and analysis of machines behavior. The behavior models require well-structured training data sets which are usually prepared manually. That is an expensive and exhausting task prone to errors. This complication limits the growth of applications of behavior models in industry, which motivated us to investigate the entire process of stochastic modeling of machines behavior to automate the deployment process as much as possible. Our research was initiated by a task of modeling industrial robotic-manipulator behavior based on its power consumption, where we needed to segment a power-consumption time series by particular robotic operations. This analysis served as a support for research of optimal scheduling of robotic operations to reduce power consumption of robots. We expanded our target domain from the robotic power consumption to a general repetitive behavior observed in time series. Our ndings are verified on the robotic use cases, but we keep our methods general enough to be applicable on wide range of industrial tasks, which was verified by successfully applying the methods on batch-heating ovens.