Abnormal Detection in Industrial Ovens Using XGBoost and IoT Data

Dieses Kapitel befasst sich mit dem kritischen Problem der undichten Dampfventile in Industrieöfen, die die Temperatur- und Feuchtigkeitskontrolle stören können und zu verminderter Produktqualität, höherem Energieverbrauch und potenziellem Ventilausfall führen können. Die Autoren schlagen einen neuartigen Ansatz vor, der XGBoost, ein robustes maschinelles Lernmodell, zur Analyse von IoT-Sensordaten zur Erkennung von Abnormitäten in Echtzeit verwendet. Die Studie umfasst eine umfassende Methodik, einschließlich Datenerhebung, Vorverarbeitung, Modellentwicklung und Evaluierung. Experimentelle Ergebnisse belegen die Exzellenz des XGBoost-Modells und erreichen einen F1-Score von 96% über verschiedene Datensätze hinweg, der traditionelles maschinelles Lernen und modernste Deep-Learning-Methoden übertrifft. Das Kapitel bietet auch eine vergleichende Analyse mit anderen Modellen wie CNN-LSTM, Transformer und ARIMA, wobei die Stärken und Grenzen jedes dieser Modelle hervorgehoben werden. Die Autoren diskutieren die Auswirkungen ihrer Ergebnisse auf die industrielle Automatisierung und betonen das Potenzial zur Senkung der Wartungskosten, Verbesserung der Betriebsstabilität und Steigerung der Gesamteffizienz. Die Schlussfolgerung unterstreicht die praktische Anwendbarkeit von XGBoost im industriellen Umfeld und schlägt zukünftige Forschungsrichtungen zur Lösung langfristiger Präzisionsprobleme und Herausforderungen bei der Echtzeit-Implementierung vor.