Deep Anomaly Detection on Tennessee Eastman Process Data

Abstract: This paper provides the first comprehensive evaluation and analysis of modern (deep‐learning‐based) unsupervised anomaly detection methods for chemical process data. We focus on the Tennessee Eastman process dataset, a standard litmus test to benchmark anomaly detection methods for nearly three decades. Our extensive study will facilitate choosing appropriate anomaly detection methods in industrial applications. From the benchmark, we conclude that reconstruction‐based methods are the methods of choice, followed by generative and forecasting‐based methods.

Angaben zum Objekt

• Standort: Deutsche Nationalbibliothek Frankfurt am Main
• Umfang: Online-Ressource
• Sprache: Englisch

Verweise und Beziehungen

• Erschienen in: Deep Anomaly Detection on Tennessee Eastman Process Data ; day:13 ; month:04 ; year:2023 ; extent:7 ; Chemie - Ingenieur - Technik ; (13.04.2023) (gesamt 7)

Beteiligte, Orts- und Zeitangaben

• Urheber: Hartung, Fabian ; Franks, Billy Joe ; Michels, Tobias ; Wagner, Dennis ; Liznerski, Philipp ; Reithermann, Steffen ; Fellenz, Sophie ; Jirasek, Fabian ; Rudolph, Maja ; Neider, Daniel ; Leitte, Heike ; Song, Chen ; Kloepper, Benjamin ; Mandt, Stephan ; Bortz, Michael ; Burger, Jakob ; Hasse, Hans ; Kloft, Marius

Weitere Informationen

• DOI: 10.1002/cite.202200238
• URN: urn:nbn:de:101:1-2023041415010655621951
• Rechteinformation: Open Access; Der Zugriff auf das Objekt ist unbeschränkt möglich.
• Letzte Aktualisierung: 14.08.2025, 10:57 MESZ