Es wurden verschiedene Methoden zur automatisierten Detektion von Anomalien in den Fahrleitungen der SBB evaluiert.
Python, PyTorch, Machine Learning, Deep Learning, Anomaly Detection, Unsupervised Learning, Supervised Learning, Autoencoder, Ensemble-Modelle
Das Ziel der Arbeit war die Untersuchung folgender Forschungsfragen:
Da die Daten und Resultate der Geheimhaltungspflicht unterstellt sind, werden die erzielten Ergebnisse nur mit
Worten beschrieben. In der Arbeit wurden verschiedene Ansätze zur Anomalie-Detektion ausprobiert. Da die Daten
nicht annotiert waren, wurden zuerst mit Unsupervised Learning Ansätzen die Daten selektiert, welche potenziell
Anomalien enthalten können. Diese wurden anschliessend annotiert und auf dem erstellten Datensatz wurden
verschiedene Supervised Learning Ansätze ausprobiert. Die besten Methoden sind hier aufgelistet:
Unsupervised Learning und statistische Methoden:
Supervised Learning:
Die Ensemble-Modelle erzielten die besten Ergebnisse. Als einzige Methode konnten alle Anomlien auf dem Testdatensatz erkannt werden.
| Projekttyp | Projektdauer | Aufwand | Teamgrösse |
| Data Science P5 | 20. Februar 2023 - 16. Juni 2023 | 180 Stunden pro Person | 2 Personen |
Schweizerische Bundesbahnen SBB
Infrastruktur Verkauf
Hilfikerstrasse 3
3000 Bern 65
| Name | Studiengang |
| Ronny Schneeberger | Data Science |
| Flavio Müller | Data Science |
