Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2020 | OriginalPaper | Buchkapitel

Robust Functional Regression for Outlier Detection

verfasst von : Harjit Hullait, David S. Leslie, Nicos G. Pavlidis, Steve King

Erschienen in: Advanced Analytics and Learning on Temporal Data

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper we propose an outlier detection algorithm for temperature sensor data from jet engine tests. Effective identification of outliers would enable engine problems to be examined and resolved efficiently. Outlier detection in this data is challenging because a human controller determines the speed of the engine during each manoeuvre. This introduces variability which can mask abnormal behaviour in the engine response. We therefore suggest modelling the dependency between speed and temperature in the process of identifying abnormalities. The engine temperature has a delayed response with respect to the engine speed, which we will model using robust functional regression. We then apply functional depth with respect to the residuals to rank the samples and identify the outliers. The effectiveness of the outlier detection algorithm is shown in a simulation study. The algorithm is also applied to real engine data, and identifies samples that warrant further investigation.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Transform Learning Based Function Approximation for Regression and Forecasting
Literatur
1.
Agulló, J., Croux, C., Van Aelst, S.: The multivariate least-trimmed squares estimator. J. Multivar. Anal. 99(3), 311–338 (2008)MathSciNetCrossRef
2.
Arribas-Gil, A., Romo, J.: Shape outlier detection and visualization for functional data: the outliergram. Biostatistics 15(4), 603–619 (2014)CrossRef
3.
Bali, J.L., Boente, G., Tyler, D.E., Wang, J.L.: Robust functional principal components: a projection-pursuit approach. Ann. Stat. 39(6), 2852–2882 (2011)MathSciNetCrossRef
4.
Boente, G., Salibian-Barrera, M.: S-estimators for functional principal component analysis. J. Am. Stat. Assoc. 110(511), 1100–1111 (2015)MathSciNetCrossRef
5.
Chiou, J.M., Yang, Y.F., Chen, Y.T.: Multivariate functional linear regression and prediction. J. Multivar. Anal. 146, 301–312 (2016). Special Issue on Statistical Models and Methods for High or Infinite Dimensional SpacesMathSciNetCrossRef
6.
Cuevas, A., Febrero, M., Fraiman, R.: Robust estimation and classification for functional data via projection-based depth notions. Comput. Stat. 22(3), 481–496 (2007)MathSciNetCrossRef
7.
Dai, W., Genton, M.G.: Multivariate functional data visualization and outlier detection. J. Comput. Graph. Stat. 27(4), 923–934 (2018)MathSciNetCrossRef
8.
Febrero-Bande, M., Galeano, P., Gonzãlez-Manteiga, W.: Outlier detection in functional data by depth measures, with application to identify abnormal NOX levels. Environmetrics 19, 331–345 (2008)MathSciNetCrossRef
9.
Hayton, P.M., Schölkopf, B., Tarassenko, L., Anuzis, P.: Support vector novelty detection applied to jet engine vibration spectra, pp. 946–952 (2001)
10.
Hubert, M., Rousseeuw, P.J., Segaert, P.: Multivariate functional outlier detection. Stat. Methods Appl. 24(2), 177–202 (2015)MathSciNetCrossRef
11.
Ivanescu, A.E., Staicu, A.M., Scheipl, F., Greven, S.: Penalized function-on-function regression. Comput. Stat. 30(2), 539–568 (2015)MathSciNetCrossRef
12.
Matsui, H.: Quadratic regression for functional response models. arXiv e-prints (2017)
13.
Morris, J.S.: Functional regression. Annual Rev. Stat. Appl. 2, 321–359 (2015)CrossRef
14.
Nairac, A., Townsend, N.W., Carr, R., King, S., Cowley, P., Tarassenko, L.: A system for the analysis of jet engine vibration data. Integr. Comput. Aided Eng. 6, 53–66 (1999)CrossRef
15.
Nieto-Reyes, A., Battey, H.: A topologically valid definition of depth for functional data. Stat. Sci. 31(1), 61–79 (2016)MathSciNetCrossRef
16.
Ramsay, J.O., Dalzell, C.J.: Some tools for functional data analysis. J. Roy. Stat. Soc. Ser. B (Methodol.) 53(3), 539–572 (1991) MathSciNetMATH
17.
18.
Rousseeuw, P.J., Driessen, K.V.: A fast algorithm for the minimum covariance determinant estimator. Technometrics 41(3), 212–223 (1999)CrossRef
19.
Rousseeuw, P.J., Raymaekers, J., Hubert, M.: A measure of directional outlyingness with applications to image data and video. J. Comput. Graph. Stat. 27(2), 345–359 (2018)MathSciNetCrossRef
20.
Scheipl, F., Staicu, A.M., Greven, S.: Functional additive mixed models. J. Comput. Graph. Stat. 24(2), 477–501 (2015)MathSciNetCrossRef
21.
Shang, H.L.: A survey of functional principal component analysis. AStA Adv. Stat. Anal. 98(2), 121–142 (2014)MathSciNetCrossRef
22.
23.
Yao, F., Müller, H.G., Wang, J.L., et al.: Functional linear regression analysis for longitudinal data. Ann. Stat. 33(6), 2873–2903 (2005)MathSciNetCrossRef
Metadaten
Titel
Robust Functional Regression for Outlier Detection
verfasst von
Harjit Hullait
David S. Leslie
Nicos G. Pavlidis
Steve King
Copyright-Jahr
2020
Buch
Advanced Analytics and Learning on Temporal Data

Print ISBN: 978-3-030-39097-6

Electronic ISBN: 978-3-030-39098-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-39098-3_1