How to read these slides?

Navigate via arrow keys between slides Overview

Click on the menu bar items to navigate to chapters

Click here for PDF version
SCIENCE PASSION TECHNOLOGY

Research Insight: PRESENT

Innovative Data Analysis for Time Series

Julian Rakuschek and Tobias Schreck

11.Dezember 2024

Who are we?

Julian Rakuschek
julian.rakuschek@tugraz.at
PhD Student in Visual Analytics
Prof. Dr. Tobias Schreck
tobias.schreck@tugraz.at
Professor in Visual Analytics

Agenda

Introduction to PRESENT
Vibrana - Vibration Analysis
AnoScout - Anomalies in Time Series

Project PRESENT

PREdictions for Science, Engineering N' Technology

Funded by
FFG Austria

Coordinated by
Fraunhofer Austria

Forecasts and analyses of time series

Research in the field of visual analytics

Goal: A toolbox for tasks in the analysis of time series in three application areas (buildings, health, production)

How does it work?

Industry delivers data and problems

We develop prototypes

Sometimes something useful comes out

A beautiful synergy

The Consortium - Industry Meets Science

Scientific Consortium

Use Case: Production

Use Case: Health

Use Case: Buildings

Ethics and Integration

Our Approach

Design Triangle Approach

S. Miksch et al. "A matter of time: Applying a data-users-tasks design triangle to visual analytics of time-oriented data" Comput. Graph. 38 (2014): 286-290

Our Time Series Sources

Medical

Production

Facility

Time Series Tasks

Forecasting

Anomaly Detection

Drift Detection

Classification

Segmentation

Vibration Analysis

Goal: A Tool-Driven Decision Tree

Summary - What do we do?

  • Our Data Domains
    • Production
    • Building Management
    • Healthcare
  • Our Research Targets
    • Statistical and AI-based Methods
    • Interactive Data Visualization
  • Results
    • Decision Tree for Method Selection
    • Toolbox for Visualizations
    • Happy industry partners :)

Vibrana

Vibrationen messen

Motor

+

Accelerometer

=

Vibrationssignal

Das Problem

Was ist der Unterschied?

Ein verborgenes Signal

Durch den Line Chart nicht erkennbar!

Frequenzanalyse durch Spektrogramme

Unterschied zwar erkennbar, aber man muss genau schauen.

Wenn viele Signale den Überblick erschweren

Wir suchen nach einer Visualisierung, die eindeutig Unterschiede aufzeigt!

Das Time Delay Embedding (TDE)

Rauschen ist nicht spektakulär ...

... Schwingungen hingegen führen zu Kreisen!

Sehen Sie die Unterschiede?

Was wollen wir damit machen?

  1. Ab wann sieht man eine Änderung?
  2. Unterteilung von Signalen in Gruppen
  3. Labels finden zur Anomalieerkennung

Unser Prototyp:

Vibrana

Basis dazu unser Paper

EuroVis 2025 Einreichung

Aktuell in Begutachtung 🤞

Ab wann sieht man eine Änderung?

Vibrationen in einem Wasserkraftwerk

Das TDE als Fingerabdruck, der sich über die Zeit hinweg entwickelt.

Anwendungsfall: Motor Verschleiß

Ab wann ist Verschleiß erkennbar?

In der Tabelle wird die Änderung sichtbar

Das TDE als Guide für Labels

Wozu die Labels? Similarity Search!

Überraschung: Der Verschleiß kann früher gefunden werden!

Anwendungsfall: Lager klassifizieren

Welche sind fehlerhaft?

Hier ist das Spektrogramm zwar besser ...

... aber wie sieht es mit Rauschen aus?

Welche sind fehlerhaft?

TDEs vergleichen: Matrix

Automatisch Clustern

Was wollen wir damit machen?

  1. Ab wann sieht man eine Änderung?
    Motor Verschleiß (Tabelle)
  2. Unterteilung von Signalen in Gruppen
    Lager klassifizieren (Clustering)
  3. Labels finden zur Anomalieerkennung
    Motor Verschleiß (Labeling)

AnoScout

Anomalien in Zeitreihen (Auswahl)

Jede Zeitreihe manuell begutachten?

Wir wenden Algorithmen an!

Gewünschter Output vom Algorithmus: Scoring

Introducing AnoScout

AnoScout implementiert sieben Algorithmen

AutoEncoder
Discrete Wavelet Transform
Subsequence Isolation Forest
Subsequence Local Outlier Factor
LSTM Forecasting
Random Black Forest
ARIMA

Upload und Scoring Berechnung

Haben wir nun Anomalien?

Noch nicht!

Extraktion der Anomalien

Anomalien als Karten

Manuelle Inspektion

Explorierung von Anomalien

Heatmap

Scatterplot

Cluster Overview

Heatmap

Vogelperspektive

Der Scatterplot als Überblick

Der Recommender für maßgeschneiderte Empfehlungen

Wie erlangen wir einen Überblick über Arten von Anomalien?

Clustering!

Clustering von Anomalien

Hauptmerkmale von AnoScout zusammengefasst

  1. Erkundungs-Pipeline für Anomalien in zeitlich orientierten Daten.
  2. 7 Algorithmen zur Berechnung von Anomalien.
  3. "Spielplatz" zum Testen verschiedener Algorithmen.
  4. Verwendung von Benutzerlabels zur Feinabstimmung des Systems.

Anwendungsszenario

  • Ein Unternehmen möchte eine neue Maschine installieren.
  • Die Maschine führt Schweißarbeiten durch.
  • Jede Schweißnaht wird über einen Sensor aufgezeichnet.
  • Wir möchten AnoScout verwenden, um:
    1. Mögliche Anomalie-Muster zu finden.
    2. Zu überprüfen, welche Algorithmen gut funktionieren.

Wir sind auf der Suche nach weiteren Anwendungen!

Kontakt

Julian Rakuschek

julian.rakuschek@tugraz.at

Prof. Dr. Tobias Schreck

tobias.schreck@tugraz.at


Danke!