基于机器学习的工业环境异常检测三层方法
信号处理
2020-04-21 v1 系统与控制
系统与控制
摘要
本文介绍一种通用方法，用于设计基于物联网 (IoT) 网络与机器学习算法的定制方案，以检测不同工业应用中的罕见事件。我们提出一个基于三层（物理、数据与决策）的通用框架，其界定了可能的设计选项，从而可超可靠地检测罕见事件/异常。该通用框架随后被应用于一个著名的基准场景，即 Tennessee Eastman Process。我们进而在三个与数据过程相关的线索下分析该基准：采集、融合与分析。我们的数值结果表明：(i) 事件驱动的数据采集能在滤除测量噪声的同时显著减少样本数，(ii) 互信息数据融合方法能显著缩减变量空间，(iii) 用于数据分析的定量关联规则挖掘方法对罕见事件的检测、识别与诊断均有效。这些结果指出了一种集成方案的益处，该方案依所提通用三层框架联合考量不同层级的数据处理，包括所采用通信网络与计算平台的细节。
引用
@article{arxiv.2004.09097,
title = {Three-layer Approach to Detect Anomalies in Industrial Environments based on Machine Learning},
author = {Daniel Gutierrez-Rojas and Mehar Ullah and Ioannis T. Christou and Gustavo Almeida and Pedro H. J. Nardelli and Dick Carrillo and Jean M. Sant'Ana and Hirley Alves and Merim Dzaferagic and Alessandro Chiumento and Charalampos Kalalas},
journal= {arXiv preprint arXiv:2004.09097},
year = {2020}
}