Некоторые математические методы в машинном обучении от обычного быстрого преобразования Фурье (FFT) до более сложной модели смешения Гаусса не требуют обучения нейронной сети для обнаружения аномалий. Эти методы могут использоваться повторно с небольшими изменениями для обработки различных потоков данных и не требуют большого количества ранее полученных и классифицированных данных (в отличие от нейронных сетей). Фактически, некоторые из этих методов могут использоваться для классификации данных во время подготовки обучения глубоких нейронных сетей.

Узнайте больше о следующих решениях:

• Логистическая регрессия
• Кластеризация k-средних
• Интернет вещей для рынка промышленности

Узнайте, как создать и использовать приложение со следующими возможностями:

• ❶ Обнаружение неравномерности вибраций станка.
• ❷ Локальная обработка с использованием библиотеки scikit-learn*.
• ❸ Отправка данных в облако для объединения и проверки.

Это приложение использует входные данные из набора и выполняет их предварительную обработку с использованием быстрого преобразования Фурье. 

• ❶ Сервер OPC* Unified Architecture (UA) считывает предварительно обработанные данные и отправляет клиенту OPC UA, который хранит их в InfluxDB*.
• ❷ Данные извлекаются из базы данных и используются для создания трех моделей машинного обучения: логистической регрессии, кластеризации k-средних и модели смешения Гаусса.
• ❸ Прогнозы неисправностей от каждой из этих моделей хранятся в локальной базе InfluxDB и обрабатываются для наглядного представления в Grafana*.