Создание средства обнаружения дефектов двигателей

Мониторинг производственного оборудования в режиме реального времени для предотвращения неисправностей и возникновения аномалий очень важен для любого производственного процесса и способствует профилактическому обслуживанию. Используйте модели машинного обучения для помощи в обнаружении и предотвращении подобных неисправностей с использованием набора данных шарикоподшипника двигателя.

Целевая операционная система Ubuntu* 16.04 LTS
Время для выполнения 30 минут

GitHub* (Python*) GitHub (C++)

Что вы изучите

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-Means
  • Интернет вещей для рынка промышленности

Используйте навыки, полученные из данной рекомендуемой разработки, для создания аналогичных решений Интернета вещей.

Узнайте, как создать и использовать приложение со следующими возможностями:

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

Как это работает

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

  1. Сервер OPC* Unified Architecture (UA) считывает предварительно обработанные данные и отправляет клиенту OPC UA, который хранит их в InfluxDB*.
  2. Данные извлекаются из базы данных и используются для создания трех моделей машинного обучения: логистической регрессии, кластеризации K-means и модели смешения Гаусса.
  3. Прогнозы неисправностей из каждой этой модели хранятся в локальной среде InfluxDB и обрабатываются для наглядного представления в Grafana*.