从连续值传感器数据自动学习故障树：以家用加热器为例
机器学习
2022-08-15 v3 人工智能
计算工程、金融与科学
摘要
许多工业领域一直在收集大型传感器数据。借助近期的大数据处理技术，企业可利用这些数据实现自动故障检测与预防。我们提出了首个完全自动化的故障分析方法，从包含连续变量的原始观测数据中通过机器学习构建故障树。我们的方法具有良好的可扩展性，并在荷兰家用加热器运行的真实五年数据集上进行了测试，该数据集包含 3100 万条独特的加热器-日读数，每条含 27 个传感器变量和 11 个故障变量。我们的方法基于此前两种流程：C4.5 决策树学习算法，以及基于布尔数据的 LIFT 故障树学习算法。C4.5 对每个连续变量进行预处理：它学习一个最优数值阈值，用以区分顶层系统的故障与正常运行状态。这些阈值将变量离散化，从而使 LIFT 能够学习到刻画系统根本故障机制且可解释的故障树。我们针对 11 个故障变量得到故障树，并从两方面评估：以显著性分数进行定量评估，以及由领域专家进行定性评估。部分学习到的故障树具有近乎最大的显著性（高于 0.95），而另一些具有中到低显著性（约 0.30），反映出从庞大、含噪的真实世界传感器数据中学习的困难。领域专家确认这些故障树刻画了变量间有意义的关系。
引用
@article{arxiv.2203.07374,
title = {Automated fault tree learning from continuous-valued sensor data: a case study on domestic heaters},
author = {Bart Verkuil and Carlos E. Budde and Doina Bucur},
journal= {arXiv preprint arXiv:2203.07374},
year = {2022}
}