汽车装配线机器故障根因分析的时序数据挖掘
机器学习
2009-04-30 v2
摘要
发动机装配是一个复杂且高度自动化的分布式控制过程，每天记录有大量故障数据。我们描述了时序数据挖掘在分析发动机装配厂故障日志中的应用。频繁情节发现框架是一种无模型方法，能够以高效方式从日志中推断事件间的（时序）关联。除了理论上优雅和计算上高效之外，频繁情节也易于以可执行建议的形式进行解释。领域特定信息的融合对于该方法在制造领域故障日志分析中的成功应用至关重要。我们展示了如何使用启发式规则作为频繁情节发现的预过滤器和后过滤器来融合领域特定知识。本文描述的系统目前正用于通用汽车的一个发动机装配厂，并计划在其他工厂推广。据我们所知，本文展示了时序数据挖掘在制造领域的首个真实大规模应用。我们相信，本文提出的想法能够帮助实践者在其他类似或相关应用领域构建分析工具。
引用
@article{arxiv.0904.4608,
title = {Temporal data mining for root-cause analysis of machine faults in automotive assembly lines},
author = {Srivatsan Laxman and Basel Shadid and P. S. Sastry and K. P. Unnikrishnan},
journal= {arXiv preprint arXiv:0904.4608},
year = {2009}
}