予測されていない学習技術は、ラベル付き例のない機械データにパターンと異常を識別するために、予測メンテナンスでます使用されています。 このアプローチは、潜在的な障害を早期に検出し、ダウンタイムとメンテナンスコストを削減するのに役立ちます。

メンテナンスにおける未踏学習の概要

未指示の学習には、データの分析アルゴリズムが含まれており、隠し構造やグループ化が確認されています。予測メンテナンスでは、センサーデータを機器から分析し、異常な動作を識別し、障害を阻害する可能性があります。

事例:製造工場

製造工場では、機械の状態を監視するためにクラスタリングアルゴリズムを導入しました。温度、振動、圧力に関するセンサー収集データ。監視されていないモデルは、同様の運用状態をグループ化し、異常をフラグジしました。

異常なパターンを展示する機械に焦点を合わせるこのプロセスによって可能にされた維持のチーム、予期しない故障を防ぎ、維持のスケジュールを最適化します。

使用される主技術

  • K-Means クラスター
  • 主成分分析(PCA)
  • 分離の森
  • ダンダンダンド

これらの技術は、センサーデータの寸法を識別し、機器の故障の早期兆候を検知しやすくするのを助けました。