Neues Paper zur Hybrid-Timed-Automaton-Learning-Algorithmik veröffentlicht

Präsentation eines neuen Algorithmus zur Anomalieerkennung auf der ML4CPS-Konferenz: HyOTALA kombiniert hybride Datenanalyse mit maschinellem Lernen für industrielle Anwendungen.

Simon Martens (Forschungsmaster Data Science) und Alexander Maier von der Hochschule Bielefeld sowie Alexander Wunn von der Haver & Boecker OHG haben auf der renommierten Konferenz Machine Learning for Cyber-Physical Systems (ML4CPS) ihr Paper "Hybrid Online Timed Automaton Learning Algorithm for Discrete Manufacturing Systems" präsentiert. Die Arbeit bietet einen neuartigen Algorithmus (HyOTALA) zur Anomalieerkennung in hybriden Datenströmen cyber-physischer Produktionssysteme.

Besonders beeindruckend ist die praktische Anwendung auf reale Produktionsdaten einer Verpackungsmaschine, bei der das Modell sowohl Fehler im kontinuierlichen als auch im diskreten Bereich identifizieren konnte. Das Paper verdeutlicht, wie maschinelles Lernen und Domänenwissen erfolgreich kombiniert werden können, um industrielle Prozesse effizienter zu gestalten.