Evaluation prädiktiver Algorithmen zur Modellbildung anhand verrauschter Realdaten

- Bachelorarbeit -


Beschreibung:
Die verrauschte Zeitserie, die in dieser Arbeit betrachtet wird, enthält die Signale des Motorölstands von Fahrzeugen, die von Sensoren während der Fahrt gemessen werden. Es wird ein Zustandsmodell aufgestellt um aus den verrauschten Daten den Signalverlauf des Motorölstands zu erstellen. Das Zustandsmodell bestimmt Schätzer für die Position und die Abnahme des Motoröls. Der Verlauf der Abnahme wird analysiert und mithilfe eines Random Forests werden Abschnitte der Daten klassifiziert um in den vorliegenden Daten Eingriffe, wie eine Auffüllung des Motoröls, zu entdecken. Anschließend werden die Zeitserien ohne Auffüllzeitpunkte mit einer Changepoint-Analyse segmentiert. In den Segmenten werden die Eigenschaften des Fahrstils genauer untersucht. Es wird ein lineares Modell aufgestellt, das den Einfluss der Eigenschaften auf das Ausmaß der Abnahme quantifiziert. Als wichtigste Einflüsse haben sich dabei die Drehzahl, maximale Achsenbeschleunigungen und die minimale Öltemperatur herausgestellt. Die Vorhersage des nächsten Auffüllzeitpunktes wird anhand des letzten, des durchschnittlichen oder einem durch die Einflüsse festgelegten Fahrstil getätigt.  

Anforderungen/Kenntnisse:
Modellbildung, Datenanalyse Programmierung mit Python, Kalmanfilter, statistisches Lernen

Bearbeitung:
Laura Boenchen

Ergebnis:
Die Ausarbeitung kann im Institut für Informationssysteme angefordert werden.

Betreuung:

Prof. Dr. rer. nat. Ralf Möller
Institut für Informationssysteme
Ratzeburger Allee 160 ( Gebäude 64 - 2. OG)
23562 Lübeck
Telefon: 0451 / 3101 5700