*0012562966
*00520240621150441.0
*007ta
*008210906s2024    no ad  e bm   00  0 eng c
*00904704cam a2200373 c 4500
*019  $bl
*020  $a9788284271941$qheftet
*035  $a(EXLNZ-47BIBSYS_NETWORK)999922432970302201
*035  $a(NO-DIMO)c8de1c64-e63b-4585-baa7-878d2e07bbec
*035  $a(NO-LaBS)45835052(bibid)
*035  $aoai:nb.no:pliktmonografi_000035901
*035  $aoai:nb.no:pliktmonografi_000035901
*040  $bnob$erda$dNO-TrBIB
*08204$a006.31015181$223/nor/20240621$qNO-KrUA
*1001 $aWeldezgina Asres, Mulugeta$0(NO-TrBIB)1707990465715$4aut$_325736800
*24010$aAnomaly detection, prognostics, and diagnostics$_325736900
*24510$aAnomaly detection, prognostics, and diagnostics :$bmachine learning for the Hadron Calorimeter at the CMS experiment$cMulugeta Weldezgina Asres
*264 1$aGrimstad$bUniversity of Agder, Faculty of Engineering and Science$c2024
*264 4$c© 2024
*300  $axxxii, 256 sider$billustrasjoner, figurer, tabeller$c24 cm
*336  $astillbilde$0http://www.rdaregistry.info/termList/RDAContentType/1014$2rdaco
*336  $atekst$0http://rdaregistry.info/termList/RDAContentType/1020$2rdaco
*337  $auformidlet$0http://rdaregistry.info/termList/RDAMediaType/1007$2rdamt
*338  $abind$0http://rdaregistry.info/termList/RDACarrierType/1049$2rdact
*4901 $aDoctoral dissertations at the University of Agder$v477$x1504-9272
*500  $aDelvis opptrykk av artikler
*502  $aAvhandling (ph.d.) - Universitetet i Agder, Grimstad, 2024
*504  $aInneholder bibliografiske referanser
*5203 $aMaskinlæringsverktøy (ML) har fått enorm popularitet på grunn av spredning av sensordata for overvåking, prognostiske og diagnostiske applikasjoner i ulike industrielle domener. Den økende systemkompleksiteten og overvåkingen av datamengdene til Large Hadron Collider (LHC) ved CERN understreker behovet for automatisering gjennom avanserte maskinlæringsverktøy. Deteksjon, identifisering og oppløsning av uregelmessigheter er avgjørende for å generere flere fysiske kollisjonsdata av høyeste kvalitet. Utvikling av maskinlæringsverktøy for komplekse systemer innebærer ofte kostbar datakurering og modellering. Det krever tilstrekkelige, rensede og kommenterte datasett, og adresserer utfordringene med heterogenitet og forbannelse av dimensjonalitet av store datasett. Compact Muon Solenoid (CMS) eksperimentet – en av de store generelle kolliderne ved LHC – har dedikert betydelig overvåkingsinnsats for detektorsystemer og partikkeldatakvalitet; kontroll- og sikkerhetssystemene (DCS/DSS) overvåker aktivt sikkerhetskritiske problemer, og datakvalitetsovervåkingssystemet (DQM) reduserer datatap ved å identifisere og diagnostisere fysikkdataproblemer. De eksisterende overvåkingssystemene må inkludere et bredt spekter av overvåkingsvariabler og tilpasse seg de utviklende forholdene til detektorene. Denne avhandlingen fokuserer på utvikling av uovervåket anomalideteksjon (AD), anomalidediksjon (AP) og rotårsaksanalyse (RCA) på multivariate tidsseriedatasett. Vi har utviklet dype læringsmodeller for frontend-elektronikk av Hadron Calorimeter (HCAL) av CMS detektoren ved hjelp av diagnostiske sensorer og høydimensjonale partikkelinnsamlingskanalovervåkingsdatasett. Vi har brukt delsystem-granularitetsmodellering ved hjelp av en splitt-og-hersk-tilnærming for å overvåke de komplekse HCAL-systemene med tusenvis av sensorer. Våre overvåkingsverktøy har oppdaget og identifisert tidligere ukjente uregelmessigheter som er vanskelige å overvåke, og utvidet overvåking, diagnostikk og prognoseautomatisering av HCAL. De utviklede verktøyene er distribuert på CERN og gir for tiden viktig sanntids og offline avviksovervåking og diagnostikk på frontend-elektronikken til HCAL og online DQM-systemet. Vårt vitenskapelige bidrag til å takle utfordringene for kompleks systemovervåking inkluderer: 1) forbedring av multivariat sensor AD, 2) en lovende AP-tilnærming, 3) kontekstbevisst høydimensjonal romlig-temporal AD, 4) overføringslæring på multi-nettverk dype læringsmodeller, 5) lett sammenkobling og divergensoppdagelse for multisystemer med multivariate sensorer, og 6) forbedring av beregningseffektiviteten av anomalies kausalitetsoppdagelse på binære anomalidata.$cHentet fra forfatterens avhandling.
*546  $aSammendrag på norsk
*653 0$amaskinlæring$amaskinlæringsverktøy$aautomatisering$amodellering$adatakurering$aalgoritmer$_325737000
*7001 $aWeldezgina Asres, Mulugeta$0(NO-TrBIB)1707990465715$tAnomaly detection, prognostics, and diagnostics$_325736800
*7102 $aUniversitetet i Agder$0(NO-TrBIB)8001540$4pbl$_10899700
*7102 $aUniversitetet i Agder$bFakultet for teknologi og realfag$0(NO-TrBIB)14042509$4dgg$_11511600
*830 0$aDoctoral dissertations at University of Agder$x1504-9272$v477$w990713508374702201$_10899800
*85640$uhttps://urn.nb.no/URN:NBN:no-nb_pliktmonografi_000035901$3Fulltekst$yNettbiblioteket$zDigital representasjon
*917  $ad
*999  $aoai:nb.bibsys.no:999920551487002202$b2024-09-08T00:03:36Z$z999920551487002202
^