利用異常檢測在串流資料建立預警系統;Establishing an early warning system on streaming data by anomaly detection

NCU Institutional Repository > 管理學院 > 工業管理研究所 > 博碩士論文 > Item 987654321/83215

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/83215

題名:	利用異常檢測在串流資料建立預警系統;Establishing an early warning system on streaming data by anomaly detection
作者:	沈劭洋;Shen, Shao-Yang
貢獻者:	工業管理研究所
關鍵詞:	預警系統;異常檢測;預測模型;early warning system;anomaly detection;predictive model
日期:	2020-08-20
上傳時間:	2020-09-02 15:09:41 (UTC+8)
出版者:	國立中央大學
摘要:	科技的進步使我們能夠藉由機台內的感測元件快速地收集串流時間序列資料，而資料挖礦是可以幫助我們從成千上萬的數據中，找出對我們有用的資訊，並協助管理者做適當的決策。在資料挖掘中，異常檢測是熱門的技術之一，在過去的研究當中，點異常與子序列異常是大家研究的焦點，整串的時間序列異常檢測較少被提及。半導體產業中，在矽晶棒的切割過程中，發生異常會使產品損毀導致損失大量的金錢與延遲交貨，因此必須盡快發現異常並讓現場人員進行停機保養，基於實際需求的動機，開發預警系統並在產品生產的過程中，提供預警訊號並要求停止與保養機台。在本研究中，我們利用點異常或是子序列異常，利用預警系統的監控方案，將點異常或是子序列異常擴展自時間序列異常。我們的研究資料取自半導體產業工廠的機台資料，本研究中，我們將資料的標籤定義為二元與機率，在標籤為二元時，我們藉由分類模型的幫助下找出異常點(anomaly point)，藉由異常點做滑動視窗(Sliding window)的累加，並提出一個新的警報規則，並用來設計監控方案。而在機率標籤中，我們將資料的標籤定義為不發生異常的機率，藉由迴歸模型的幫助下，觀察過去正常與異常的差異，提出相對應的監控方案，並用來做出發出警報的依據。最後，我們藉由捕獲率(Catching rate)以及誤報率(False alarm)，並使用交叉驗證的方式，來評估系統的表現與穩定性。;Advances in technology have allowed us to quickly collect streaming time-series data using sensors in the machine. Data mining can help us find useful information from thousands of data and assist managers to make appropriate decisions. In data mining, anomaly detection is one of the popular technologies. In the past research, point anomalies and subsequence anomalies have been widely discussed, and the whole time series of time series anomaly detection has been rarely mentioned. In the semiconductor industry, in the process of the cutting silicon ingot, the occurrence of anomalies will damage the product and cause a lot of money and delay in delivery. Therefore, it is necessary to find the anomalies as soon as possible and let the operators perform maintenance and stop. Our research data is taken from the machine data of the semiconductor industry factory. In this study, we define the label presented in binary and probability. When the label presented in binary, we find anomaly point with the help of a classification model. Accumulation of sliding windows is performed through anomaly points. We proposed a new alarm rule, which is used to design a monitoring scheme. In the label presented in probability, we define the label as the non-anomaly probability. With the help of the regression model, we observe the difference between the normal and abnormal in the past, propose a corresponding monitoring scheme, and use it as issuing an alarm. Finally, we using cross validation to evaluate the performance and robustness of the system by catching rate and false alarm.
顯示於類別:	[工業管理研究所 ] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	224	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....