基于自编码器重构与异常检测的实时预测性维护
机器学习
2021-10-05 v1 人工智能
摘要
旋转机械故障检测系统已经过时，并依赖例行测试来发现故障。这成本高昂且通常是被动式的。实时监测提供了一种无需人工观察即可检测故障的解决方案。然而，用于阈值异常检测的人工解释往往具有主观性，且因工业专家而异。这种方法僵化且容易产生大量误报。为解决此问题，我们提出一种机器学习（ML）方法来建模正常工作运行并检测异常。该方法从代表已知正常运行的信号中提取关键特征以建模机器行为并自动识别异常。ML 学习泛化规律并根据故障严重程度生成阈值。这为工程师提供了一种交通灯系统：绿色为正常行为，琥珀色为值得担忧，红色表示机器故障。该等级使工程师能够在适当时间采取早期干预措施。该方法在加窗的真实机器传感器数据上进行评估，以观察正常和异常行为。结果表明，可以在琥珀色范围内检测异常并在机器故障前发出警报。
引用
@article{arxiv.2110.01447,
title = {Real-Time Predictive Maintenance using Autoencoder Reconstruction and Anomaly Detection},
author = {Sean Givnan and Carl Chalmers and Paul Fergus and Sandra Ortega and Tom Whalley},
journal= {arXiv preprint arXiv:2110.01447},
year = {2021}
}