Bis zu 50 % günstiger als neu 3 Jahre rebuy Garantie Professionelles Refurbishment
ElektronikMedien
Tipps & News
AppleAlle anzeigen
TabletsAlle anzeigen
HandyAlle anzeigen
Fairphone
AppleAlle anzeigen
iPhone Air Generation
GoogleAlle anzeigen
Pixel Fold
HonorAlle anzeigen
HuaweiAlle anzeigen
Honor SerieY-Serie
NothingAlle anzeigen
OnePlusAlle anzeigen
OnePlus 11 GenerationOnePlus 12 Generation
SamsungAlle anzeigen
Galaxy XcoverWeitere Modelle
SonyAlle anzeigen
Weitere Modelle
XiaomiAlle anzeigen
Weitere Modelle
Tablets & eBook ReaderAlle anzeigen
Google
AppleAlle anzeigen
HuaweiAlle anzeigen
MatePad Pro Serie
MicrosoftAlle anzeigen
XiaomiAlle anzeigen
Kameras & ZubehörAlle anzeigen
ObjektiveAlle anzeigen
System & SpiegelreflexAlle anzeigen
WearablesAlle anzeigen
Fitness TrackerAlle anzeigen
SmartwatchesAlle anzeigen
Xiaomi
Konsolen & ZubehörAlle anzeigen
Lenovo Legion GoMSI Claw
NintendoAlle anzeigen
Nintendo Switch Lite
PlayStationAlle anzeigen
XboxAlle anzeigen
Audio & HiFiAlle anzeigen
KopfhörerAlle anzeigen
FairphoneGoogle
LautsprecherAlle anzeigen
Beats by Dr. DreGoogleYamahatonies
iPodAlle anzeigen

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Combining Expert Knowledge and Deep Learning with Case-Based Reasoning for Predictive Maintenance

Patrick Klein (Broschiert, Englisch)

Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
If a manufacturing company's main goal is to sell products profitably, protecting production systems from defects is essential and has led to vast documentation and expert knowledge. Industry 4.0 has facilitated access to sensor and operational data across the shop floor, enabling data-driven models that detect faults and predict failures, which are crucial for predictive maintenance to minimize unplanned downtimes and costs. Commonly, a universally applicable machine learning (ML) approach is used without explicitly integrating prior knowledge from sources beyond training data, risking incorrect rediscovery or neglecting already existing knowledge. Integrating expert knowledge with ML can address the scarcity of failure examples and avoid the learning of spurious correlations, though it poses technical challenges when combining Semantic Web-based knowledge graphs with neural networks (NNs) for time series data. For his research, a physical smart factory model with condition monitoring sensors and a knowledge graph was developed. This setup generated the required data for exploring the integration of expert knowledge with (Siamese) NNs for similarity-based fault detection, anomaly detection, and automation of root cause analysis. Patrick Klein applied symbolic and sub-symbolic AI techniques, demonstrating that integrating expert knowledge with NNs enhances prediction performance and confidence in them while reducing the number of learnable parameters and failure examples.
106,99 €
Broschiert | Neu

oder

Auf Lager Versandbereit in 2-3 Werktagen
zzgl.

Du kannst wie immer einen Kaufalarm setzen, wenn du auf das gebrauchte Buch warten möchtest.

Auf Lager Versandbereit in 2-3 Werktagen
zzgl.

Handgeprüfte Gebrauchtware

Bis zu 50 % günstiger als neu

Der Umwelt zuliebe

Technische Daten


Erscheinungsdatum
11.04.2025
Sprache
Englisch
EAN
9783658469856
Herausgeber
Springer Fachmedien Wiesbaden GmbH
Sonderedition
Nein
Autor
Patrick Klein
Seitenanzahl
406
Einbandart
Broschiert
Schlagwörter
Knowledge Graph, Knowledge-Informed Machine Learning, Anomaly Detection, Predictive Maintenance, Neural Networks, Knowledge-based Root Cause Analysis
Thema-Inhalt
UYQM - Maschinelles Lernen UNF - Data Mining UYQE - Wissensbasierte Systeme, Expertensysteme UYQ - Künstliche Intelligenz
Höhe
210 mm
Breite
14.8 cm

Hersteller: Springer Nature Customer Service Center GmbH, ProductSafety@springernature.com

Warnhinweise und Sicherheitsinformationen

Informationen nach EU Data Act

-.-
Leider noch keine Bewertungen
Leider noch keine Bewertungen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!