Nowa metoda wykrywania anomalii bez nadzoru dla maszyn wirujących oparta na pamięciowym autoenkoderze splotowym czasowym

Jednak wiele algorytmów uczenia maszynowego lub głębokiego uczenia zazwyczaj wymaga dużych ilości oznaczonych danych do procesu szkolenia. Należy zauważyć, że pozyskiwanie oznaczonych zestawów danych jest żmudnym i czasochłonnym projektem, który wymaga udziału ekspertów. W niektórych domenach zastosowań dostępne oznaczone dane są niewystarczające do pomyślnego wyszkolenia modelu. Szczególnie w zastosowaniu wykrywania anomalii w maszynach wirujących pozyskiwanie danych o błędach jest bardzo trudne.

Dziedzina ta opiera się na metodach uczenia bez nadzoru, gdy w przypadku zadań wykrywania błędów występują stosunkowo rzadkie lub niedostępne oznaczone dane. Metody uczenia bez nadzoru próbują uczyć się głębokich cech z danych bez polegania na zaangażowaniu człowieka.

Brito i in. (2022) zastosowali podejście bez nadzoru oparte na algorytmach wykrywania anomalii w celu zweryfikowania obecności usterek w łożyskach i przekładniach. Aby rozwiązać problem braku dużej ilości danych o błędach do szkolenia w warunkach praktycznych, Wang i in. (2021b) zaproponowali model wykrywania usterek silnika oparty na lesie izolacji. Tong i in. (2021) zaproponowali adaptacyjny algorytm uczenia maszynowego z jądrem ważonym, aby zrealizować wykrywanie błędów oblodzenia łopat turbin wiatrowych. Gribbestad i in. (2021) poprawili dokładność wykrywania stanów anomalii sprężarek powietrza z perspektywy zwiększenia przejrzystości i interpretowalności wykrywania anomalii. Wang i in. (2021c) zaproponowali nienadzorowaną metodę wykrywania anomalii opartą na połączeniu wariacyjnego rozkładu modalnego i głębokiego autoenkodera, aby zrealizować wykrywanie anomalii w jednostkach turbin wodnych. Dlatego połączenie uczenia nienadzorowanego z wykrywaniem anomalii jest pilną potrzebą rozwiązania problemu braku danych o błędach w szkoleniu.