ИИ для предотвращения происшествий: обнаружение аномалий и патенты на автоэнкодеры

Как вы можете видеть в статье ниже, ИИ также может быть использован для прогнозирования отказа оборудования.

Нажмите на коробку, чтобы подключиться к экрану газетной статьи.

Обычно для выполнения прогнозирования неисправностей требуются данные, полученные от датчиков, установленных в промышленных установках. Данные, полученные от датчика, могут быть проанализированы для прогнозирования выхода из строя оборудования, что называется обнаружением аномалий. В этой статье мы поговорим об обнаружении аномалий.

Обнаружение аномалий относится к различению между нормальным и аномальным (или выбросами, сингулярностями).Я знаю. 

Обнаружение аномалий используется для прогнозирования неисправности производственного оборудования (или позже) в производственном секторе, где обнаружение аномалий используется, главным образом, нашими клиентами. Это означает, что датчик, установленный в производственном оборудовании, может анализировать полученные данные и прогнозировать сбои. Кроме того, в области медицинского анализа изображений, с которым имеет дело Вино, для выявления злокачественных опухолей может быть использовано обнаружение аномалий. 

Обнаружение аномалий может быть использовано во многих областях. 

Существует множество способов изучения модели обнаружения аномалий. Обучение с учителем, обучение с частичным привлечением учителя и обучение без учителяВы можете изучить модель обнаружения аномалий различными способами. 

Объяснил это своему учителю в предыдущем посте. Давайте посмотрим, как выполнить обнаружение аномалий. 

С набором данных обучения разработчик модели должен пометить набор данных обучения, различая нормальные и ненормальные данные, которые называются маркировками. 

Обучение с учителем часто позволяет добиться высокой точности и применяется, когда этот показатель особенно важен. Однако при обнаружении промышленных аномалий данных о нормальной работе обычно значительно больше, чем об аварийных состояниях. Иными словами, Проблема классового дисбаланса приводит к слишком большому количеству обычно помеченных объемов данных. В случае проблемы классового дисбаланса точность обнаружения аномалий снижается.Поскольку сбалансированный набор данных получить трудно, возникают сложности при обучении модели с учителем.

Как отмечалось выше, основная трудность обучения с учителем для обнаружения аномалий — нехватка данных об аномальных состояниях. 

В обрабатывающей промышленности часто бывает так, что только одна ненормальная информация получается во время приобретения миллионов нормальных данных. Одноклассная классификация (или полуобучение с учителем) используется для обучения модели с использованием данных, связанных с ее нормальным состоянием, когда классовый дисбаланс является серьезным. 

Используя опорную векторную машину (СВМ) и т.д., для определения границ данных, относящихся к состоянию состояния, данные за пределами определенных границ - все методы обучения, которые считаются ненормальными. 

Поддержка векторной машины

Его Это немного менее точно, но это эффективно, когда вы тренируете модели с непропорциональными данными.Так и есть. 

При описанном обучении с частичным привлечением учителя требуется разметка нормальных данных. При обучении без учителя предполагается, что полученные данные отражают нормальное состояние, и модель обучается без разметки. Один из примеров такого подхода — использование автоэнкодера.

            Чтобы помочь вам понять, могут быть различия между фактическим автоэнкодером, слегка изменив контент.

Автокодер выполняет процесс сжатия входных данных и восстановления сжатых данных. 

Автоэнкодер включает кодировщик, сжимающий входные данные в латентное представление, и декодировщик, восстанавливающий исходные данные из этого представления. В рассматриваемой архитектуре они обозначены как Encoding DBN и Decoding DBN. Обучение позволяет без ручной разметки выделять признаки нормального состояния, преобладающие в данных. 

С другой стороны, если обучающийся автоэнкодер вводится во вход, входные данные и те же данные выводятся из декодера. 

Так что же произойдет, если данные попадут в автоэнкодер?

Поскольку кодировщик и декодировщик обучены на данных нормального состояния, аномальные данные могут сжиматься и восстанавливаться хуже. В таком случае выход декодировщика отличается от входных данных, что позволяет выявить аномалию.

В результате, Входные данные (x), введенные в автоэнкодер, и дифференциация конечных выходных данных (x'), проверяются, чтобы увидеть, связаны ли входные данные с нормальным состоянием или с аномальным состоянием.. 

Улучшение неконтролируемой цементации дефектов путем применения структурного сходства с Autoencoder, 2019, arXiv

Давайте посмотрим на патент Мачинарака о том, как выполнить обнаружение аномалий на производственном объекте с использованием автоэнкодера.

Если нажать на изображение, то можно увидеть регистрационный патент.

Для разных производственных рецептур характерны разные закономерности нормального состояния. Ограничение прежнего подхода состояло в необходимости обучать отдельный автоэнкодер для каждой рецептуры. Обучение множества моделей на соответствующих наборах данных увеличивало затраты времени и средств.

МакКинни решает эти проблемы. При обучении автоэнкодеру введите аргументы для рецепта изготовления в автоэнкодер с данными зондирования.Предлагаю сделать. В частности, значение признака (контекстный индикатор), которое указывает, какие из текущих рецептов изготовления являются данными зондирования, вводится в автоэнкодер с данными зондирования. Автоэнкодер обучается выводить те же данные, что и данные зондирования, введенные во вход. Узнав об этом, один автоэнкодер может определить нормальность и ненормальность различных данных рецептов производства. В частности, контекстный индикатор и данные зондирования (X) помещаются во вход изученного автоэнкодера, и вычисляется разница между выходным значением (X') и данными зондирования (X). Если значение разницы меньше установленного значения, оно обычно определяется, а если разница больше установленного значения, то она определяется ненормально.

Обычно при создании идеи для патентной заявки используются следующие методы:

Проблема использования обычной технологии (авто-кодер) в конкретной области (в области производства) заключается в том, что есть некоторые проблемы (каждый производственный рецепт требует отдельного авто-кодера), и для решения этих проблем мы создаем много идей, думая о том, как модифицировать обычную технологию (авто-кодеры). Если заявка на патент будет подана после того, как идея будет создана в этом направлении, уровень регистрации патента будет значительно выше.