- Edge Computing
Machine Learning at the Edge: A few applicative cases of Novelty Detection on IIoT gateways
In dem Paper stellen wir Entwurf und Entwicklung der Machine-Learning-Module (ML) für zwei Fallstudien vor. In beiden Fällen haben wir ein ML-Modell entwickelt, das das normale Verhalten des Systems lernt, um jede auftretende abnormale Bedingung zu erkennen. Ein solches Framework wird üblicherweise als Anomaly Detection bezeichnet (auch bekannt als Fault Detection oder Novelty Detection). Unsere Modelle konnten die eingebrachten Anomalien erfolgreich erkennen. Außerdem wurden keine Anomalien beobachtet, wenn das Modell mit normalen Daten gespeist wurde. Die Ergebnisse werden unter Berücksichtigung des Zielkonflikts zwischen Sensortyp, Lernalgorithmus, Trainingsaufwand und Rechenanforderungen diskutiert.

I. Einleitung
Das Internet of Things (IoT) hat es ermöglicht, über seine vernetzten Geräte eine riesige Menge an Daten realer Objekte zu erfassen. Die Überwachung der Umgebung und der Maschinen, aus denen die heutige Industrieanlage besteht, war dank der Verbreitung kostengünstiger, energiesparender Sensoren sowie leistungsstarker Single Board Computer (SBC), die als IoT-Gateways dienen, nie machbarer und erschwinglicher. Die erfassten Daten auszuwerten, um ihr verborgenes Potenzial zu nutzen und Gold daraus zu machen, ist jedoch weder trivial noch leicht in Standardprozesse zu überführen, angesichts der Vielfalt der einsetzbaren Maschinen und der unterschiedlichen Arten, sie zu „erfassen“ und ihren Gesundheitszustand zu prüfen.
II. Condition Monitoring und Fault Detection in IoT-Systemen
Mehr oder weniger neue Ausdrücke wie „Fault Detection and Diagnosis“, „Condition Monitoring“, „Predictive Maintenance“ und eine Fülle von Variationen zum Thema sind im Jargon der Smart Factory populär geworden oder haben eine neue Bedeutung erhalten. Obwohl die Grenzen zwischen ihnen oft unscharf sind, bezeichnen sie üblicherweise eine Reihe verschiedener Strategien, die darauf abzielen, sowohl unerwartete Ausfälle als auch die Wartungskosten eines Unternehmens durch die frühzeitige Erkennung potenziell gefährlicher oder sogar katastrophaler Fehler zu senken. Das Zusammenspiel von IoT und Künstlicher Intelligenz (AI) hat neuen datengesteuerten Ansätzen für Sicherheit und Zuverlässigkeit industrieller Prozesse die Tür geöffnet [1]. Mit verschiedenen Sensortypen lassen sich nun vielschichtige Informationen über die laufenden Maschinen und die Umgebung erfassen und verarbeiten: Strom, Spannung und andere elektrische Größen, Temperatur, Druck und Feuchtigkeit, Vibrations- und Akustiksignale, elektromagnetische Strahlung in verschiedenen Frequenzbereichen und so weiter [2].
Beim Online-Condition-Monitoring (CM) werden eine oder mehrere Variablen – Zustandsparameter – an einer Maschine während des Betriebs gemessen, mit dem Ziel zu prüfen, ob sie oder daraus abgeleitete Größen aus physikalischer, konstruktiver oder sicherheitstechnischer Sicht oder im Vergleich zu ihren historischen Schwankungen innerhalb der „akzeptablen“ Grenzen liegen [3]. Dieser Test erfolgt mit Ansätzen, die von Schwellenwertprüfungen einzelner Parameter über regelbasierte Expertensysteme und modellbasierte Methoden (z. B. Finite Elemente) bis zu anspruchsvollen Machine-Learning-Techniken reichen [4]. Im Allgemeinen wird ein Alarm ausgelöst, wenn ein solcher Test fehlschlägt, und es wird entschieden, ob und welche Korrekturmaßnahmen zu ergreifen sind. In diesem Sinne ist CM die Hauptvoraussetzung für Predictive Maintenance (PM), also die Nutzung von Messdaten, um bevorstehende Ausfälle vorherzusagen, bevor sie eintreten [5], und zu bestimmen, wann ein Eingriff an einer Maschine am kostengünstigsten ist. Somit lassen sich Wartung und teilweiser oder vollständiger Maschinenaustausch auf Grundlage der Bewertungen des Condition-Monitoring-Systems planen.
Zu diesen Themen existiert eine umfangreiche Literatur, die zahlreiche Perspektiven und Anwendungsfelder versammelt. Eine zehn Jahre alte Zusammenfassung von NASA-Forschern findet sich in [6] über AI-Techniken für die Prognostik, also „das Erkennen der Vorläufer eines Ausfalls und die Vorhersage, wie viel Zeit bis zu einem wahrscheinlichen Ausfall bleibt“. In [7] findet sich ein Überblick über die jüngsten statistischen datengesteuerten Lösungen zur Schätzung der verbleibenden Nutzungsdauer (RUL), also der Nutzungsdauer, die ein Asset zu einem bestimmten Betriebszeitpunkt noch hat und die eine entscheidende Rolle in der zustandsbasierten Wartung (CBM) spielt. Eine Literaturübersicht über Prognosemethoden für CBM [8] ordnete diese vier Kategorien zu (physikalische, wissensbasierte, datengesteuerte und kombinierte Modelle) und konzentrierte sich sowohl auf parametrische als auch auf nichtparametrische datengesteuerte Ansätze. Um eine detaillierte Zusammenfassung der „Diagnostik und Prognostik mechanischer Systeme mit CBM, mit Schwerpunkt auf Modellen, Algorithmen und Technologien für Datenverarbeitung und Wartungsentscheidungen“ zu geben, beschreibt [9] zudem die Techniken der Fusion von Daten mehrerer Sensoren. Unter den neuesten Arbeiten fasst [10] die Anwendungen von Deep Learning in Systemen zur Maschinenzustandsüberwachung zusammen, mit besonderem Augenmerk auf Künstliche Neuronale Netze (ANN). [11] bietet einen Überblick über CBM- und PM-Lösungen der letzten fünfzehn Jahre und darüber, welche Ergebnisse sie bei verschiedenen Maschinenteilen oder Prozessen geliefert haben.
III. Fallstudien
Die Fallstudien wurden dank der Teilnahme an einem von der Regierung der Toskana unterstützten Projekt zur Förderung von Industrial-IoT-Lösungen (IIoT) ermittelt. Das IIoT ist ein zweijähriges, von der Region Toskana finanziertes Projekt mit Schwerpunkt Industrie 4.0, das 2018 begann. Verschiedene Unternehmen arbeiten zusammen, um ein neues Framework zu schaffen, das Unternehmen die Migration in die neue Perspektive von Industrie 4.0 erleichtert, ihre Produkte innovativ macht und ihnen die Vorteile des neuen, wachsenden IIoT-Marktes verschafft.
Das IIoT-Projekt zielt darauf ab, ein neues Produkt zu entwerfen, zu produzieren und auf den Markt zu bringen. Es umfasst eine Reihe eingebetteter Hardware-Tools, eine auf Cloud-Diensten basierende Softwareplattform, ML und professionelle Dienstleistungen. Es richtet sich an alle kleinen und mittleren Industrieunternehmen, die in Bezug auf wirtschaftliche oder personelle Ressourcen, Wissen oder Fähigkeiten nicht in der Lage sind, sich als digitale Einheit oder als digitaler Hersteller zu qualifizieren. Das System soll die anfängliche Wissenslücke der Unternehmen verringern und auch die Anfangsinvestition für den gesamten Prozess verteilen. Das Endergebnis wird eine Reihe von Hardware (Sensor-Bridges, Gateway) sein, die vollständig in eine Softwareumgebung integriert ist, die dafür ausgelegt ist, alle Geräte, den Datenfluss und die Rechenleistung auf verschiedenen Ebenen aus der Ferne zu verwalten. Darüber hinaus wird eine Reihe von ML-Modulen mit dedizierten Entwicklungsprozessen bereitgestellt, um die gängigsten industriellen Anwendungen zu lösen.
Die Fallstudien stammen aus zwei wesentlichen industriellen Kontexten: einem Hersteller von Dunstabzugshauben und einem Hersteller von industriellen Solaranlagen.
A. Luftlüftung – Dunstabzugshaube
In diesem Abschnitt beschreiben wir die Analyse eines Testfelds mit mehreren interessanten Aspekten, mit Fokus auf zwei Details der Fernüberwachung eines Geräts: die Vorhersage einer diskreten Menge von Betriebszuständen und die Erkennung möglicher Anomalien gegenüber dem normalen Betriebsverhalten jedes Zustands.
Die Gründe, ein solches Problem zu untersuchen, lassen sich zusammenfassen als Echtzeitüberwachung von Sensoren, die Zeitreihen mit hoher Frequenz liefern und eine schnelle Dynamik aufweisen, die rasch in eine Fehlersituation umschlagen kann; die Analyse einer physikalischen Messgröße, die nicht direkt mit dem zu überwachenden Phänomen zusammenhängt; die Untersuchung eines Ensembles von Modellen, das überwachte und unüberwachte ML-Techniken kombiniert; und das Testen der Edge-Rechenleistung bei einer hochfrequenten Berechnung auf einem energiesparenden Single Board Computer.
Die Ergebnisse der ersten qualitativen Analyse zeigen, dass der gesamte Rechenbedarf deutlich unter den Erwartungen liegt und dass der vorgeschlagene Algorithmus in der Lage ist, sowohl den Zustand der Systeme zu klassifizieren als auch Anomalien mit hoher Genauigkeit zu erkennen.
Systembeschreibung
Die vorgeschlagene Analyse besteht in der Fernüberwachung einer Dunstabzugshaube über ein IoT-Gateway, wobei alle erforderlichen Berechnungen vollständig auf Edge-Ebene erfolgen. Insbesondere möchten wir die Betriebsbedingungen des elektrischen Motors der Haube analysieren, der als allgemeine Darstellung jeder Art von Industriemotor dienen kann. Das IoT-Gateway ist mit einem Algorithmus der Künstlichen Intelligenz ausgestattet, der Daten in Echtzeit erfassen kann und dabei eine hohe Belastung der Netzwerkkommunikation vermeidet, die sowohl zu Verkehrs- als auch zu Sicherheitsproblemen führen kann [12].
Dieser Ansatz kann in verschiedenen Situationen nützlich sein. Ein Beispiel, das in unserem Fall am interessantesten ist, liegt vor, wenn das System ein Phänomen analysieren soll, das Daten mit hoher Frequenz erzeugt, sodass eine Echtzeitüberwachung in der Cloud unmöglich ist. In diesem Fall führt der Algorithmus die erforderliche Vorverarbeitung direkt aus und erzeugt eine Zusammenfassung der Umgebung (d. h. hier den aktuellen Zustand und einen eventuellen Fehler).
Die Analyse wird an den elektrischen Motoren der Haube durchgeführt, die zur Reinigung der Luft dienen. Ein solches Gerät hat drei verschiedene Betriebsgeschwindigkeiten, die unterschiedliche Betriebskonfigurationen darstellen. Die erste Aufgabe des Systems ist es, den aktuellen Betriebszustand anhand der Vibrationssignatur zu klassifizieren. Natürlich ist die Gewinnung dieser Information kein entscheidender Aspekt, da sie aus der SPS der Haube bekannt ist. Die Analyse des Eingangssignals in Verbindung mit einer wohlbekannten Information bietet jedoch einen klar definierten Weg, Daten zu analysieren und die beste Datenverarbeitung zu finden, um die repräsentativen Merkmale des Phänomens zu beleuchten. Die Erfassung der Vibrationssignatur erfolgt über ein piezoelektrisches Mikrofon, das Daten mit hochfrequenter Abtastung erfassen kann und dabei mögliche akustische Störgeräusche aus der Umgebung herausfiltert. Die Erfassung von Daten mit dieser hohen Auflösung ermöglichte uns komplexere Analysen in einer Novelty-Detection-Konfiguration (ND). Tatsächlich haben wir versucht, mögliche Anomalien im Luftfilterungsmechanismus durch die Analyse von Veränderungen in der Vibrationssignatur der Zustände zu erkennen. Dabei stellten wir fest, dass es schwierig ist, einen einzelnen ND-Algorithmus zu trainieren, der alle möglichen Konfigurationen wirksam überwachen kann. Da wir den Klassifikator, der uns das Label des aktuellen Zustands liefert, bereits trainiert haben, entschieden wir uns, für jeden Zustand einen dedizierten Agenten zu entwickeln.
Die globale Pipeline ist in Abbildung 1 dargestellt. Da das System, wie bereits gesagt, in der Lage sein soll, mit hoher Frequenz abgetastete Daten zu analysieren, werden die Schritte Erfassung und Inferenz nach dem Deployment verschachtelt, während die Daten für den Trainingsschritt offline erhoben werden können.
Sobald ein Puffer von Samples angemessener Größe vom Mikrofon erfasst wurde, werden klassische, auf der Fourier-Analyse basierende Signalverarbeitungstechniken angewendet, um relevante Informationen im Frequenzbereich zu erzeugen. Dadurch entsteht eine Reihe von Frames, von denen jeder Informationen über ein kleines Zeitfenster enthält. Auf diesen Eingangsdaten führt der Zustandsklassifikator dann mehrere Vorhersagen durch und leitet eine Reihe von Labels für die Frames ab.
Anschließend wird ein Mehrheitsentscheid-Ansatz verwendet, um ein einzelnes robustes Label zu erzeugen. Die endgültige Entscheidung dient dazu, das entsprechende Modell für die ND auszuwählen. Das Modell erhält dieselben Frames als Eingabe und liefert einen Novelty-Score auf Grundlage der in der Trainingsphase gesehenen Samples. Da auch der Novelty-Score nicht perfekt ist, haben wir die Vorhersagen für die aufeinanderfolgenden Beispiele, aus denen der Puffer besteht, genutzt, um ein Glättungsfenster auf die Scores anzuwenden und so mehr Robustheit gegenüber dem Anomalie-Score zu erzielen.
Ergebnisse
Alle Experimente werden auf einem SECO SBC-C23 Gateway mit einer NXP i.MX 6SoloX Applications-Processor-CPU (Cortex A9) durchgeführt [13]. Die Eingabe wird mit 44.1KHz bei 16-Bit-Kodierung abgetastet. Für jeden Zustand haben wir etwa eine Minute Daten aufgezeichnet, aus denen der Datensatz sowohl für das Training des Klassifikators als auch des ND-Algorithmus bestand. Die Testdaten für die Anomalieerkennung bestehen aus Aufnahmen von etwa 10 Sekunden, die (getrennt) normale Daten oder Daten enthalten, die aufgezeichnet wurden, während der Auslass des Luftfilters teilweise verdeckt war (für jeden Zustand wird eine normale und eine abnormale Aufnahme erfasst). Die Eingangsmerkmale für beide Algorithmen sind der Logarithmus der Leistung des Frequenzspektrogramms, berechnet auf einem Fenster von 512 Samples mit 25% Überlappung (berechnet mit der Python-Bibliothek Librosa [14,15]), was einen Merkmalsvektor mit 257 Merkmalen ergibt, dem wir Informationen zum RMSE des Signals hinzufügen.
| Geschwindigkeit | Klassifikation (auf einzelnen Frames) | Anomalieerkennung (auf Frame-Sequenzen) | |
|---|---|---|---|
| Genauigkeit | Erkannte Anomalien | Falsch-Positiv-Rate | |
| 1 | 99,79 | 99,85 | 1,09 |
| 2 | 97,21 | 98,79 | 0,56 |
| 3 | 73,21 | 72,01 | 0,00 |
| Für jede Geschwindigkeit des Haubenmotors wurde die Klassifikationsgenauigkeit unter Normalbedingungen angegeben (erste Spalte). Der Prozentsatz erkannter Anomalien (zweite Spalte) und der Prozentsatz falsch positiver Ergebnisse (dritte Spalte) werden unter anomalen Bedingungen angegeben, während der Auslass des Luftfilters teilweise verdeckt war. | |||
Sowohl der Klassifikator als auch der Detektor basieren auf Neuronalen Netzen (implementiert in Keras [16]). Der Klassifikator ist ein Feed-Forward-Neuronales-Netz mit 2 Schichten (mit 100 HU), das eine Vorhersage über 3 Klassen durchführt. Für jede Klasse ist der ND-Algorithmus als einfacher Auto-Encoder implementiert (eine versteckte Schicht mit 32 HU), wobei der Rekonstruktionsfehler als Bewertung der Abnormalität jedes Musters betrachtet wird. Die Glättung ist so eingestellt, dass etwa 20 Vorhersagen berücksichtigt werden. In dieser Konfiguration kann das Training des Modells direkt am Edge in weniger als einer halben Stunde erfolgen.
In der Testphase kann das eingesetzte Board Vorhersagen mit etwa 2.5 Hz liefern, bei einer CPU-Last von 27% und einem Speicherverbrauch von 2% (von 4GB). Genauigkeit und Erkennungsleistung sind in Tabelle 1 zusammengefasst.
Wie wir sehen, sind die Vorhersageleistungen recht hoch, mit einem spürbaren Rückgang in Zustand 3, bei höherer Geschwindigkeit und mehr Dynamik in den Frequenzen. Der Mehrheitsentscheid-Ansatz erlaubt es jedoch, für jeden Puffer von Samples die richtige Klassifikation zu liefern, sofern innerhalb des Puffers kein Zustandswechsel stattgefunden hat (in dieser Konfiguration ist jeder Puffer jedoch ein Bruchteil einer Sekunde). Das richtige Label ist ein grundlegender Schritt, um das korrekte Modell für die ND auszuwählen. Auch in diesem Fall ist die Rate der erkannten Anomalien im Verhältnis zu Fehlalarmen hoch genug, um weitere Überlegungen zu Schwellenwerten zu erübrigen.
B. Wasserpumpe
Das zweite Szenario basiert auf einem All-in-one-System, das Solarenergie aufnehmen und speichern, für verschiedene Dienste in öffentlichen oder privaten Kontexten wiederverwenden und Wasser in netzunabhängigen Zonen aufbereiten kann. Die Lösung stammt aus einem Kontext öffentlicher Versorgung in benachteiligten Regionen der Erde, in denen die Verfügbarkeit von Trinkwasser und Strom begrenzt ist, eignet sich aber auch für ein privates Umfeld zur häuslichen Energieverwaltung. Außerdem kann sie als Wi-Fi-Hotspot für die Gemeinschaft dienen, in der sie aufgestellt ist. Sie kann mit einer 2G/3G/4G-Datenverbindung ausgestattet werden, die drahtlos mit den umliegenden Geräten geteilt werden kann und so zu einem sozialen Anlaufpunkt wird.
Von Business-Fragen zu ML-Problemen für die Auslegung der Sensoren
Um die Auslegung der IoT-Lösung für die Survivor Box festzulegen, war es notwendig, die geschäftlichen Anforderungen zu verstehen. Die Identifizierung der Geschäftsprobleme erlaubte uns, einen Satz von Sensoren zu definieren, die an Schlüsselpositionen des mechanischen Systems angebracht sind. Die Definition des Sensorsets erlaubte uns, die Business-Frage in verschiedene ML-Probleme zu überführen. Das von uns beschriebene ist die Fehlererkennung an der Wasseraufbereitungspumpe.
Der Algorithmus, mit dem das normale Verhalten des Systems gelernt wurde, war der Local Outlier Factor (LOF) [17]. In der Trainingsphase zielt LOF darauf ab, innerhalb des Trainingssets einen oder mehrere Cluster „normaler“ Punkte zu identifizieren (hier ist ein Punkt ein 9-dimensionaler Vektor, dessen Komponenten jeweils einem bestimmten Sensorwert entsprechen). Anschließend wird in der Inferenzphase der Grad der Abnormalität einer neuen Beobachtung danach berechnet, wie isoliert die Beobachtung gegenüber der umgebenden Nachbarschaft von Punkten ist. Da wir erwarteten, dass die Beschleunigungssensorwerte sehr empfindlich auf unmerkliche Schwingungen reagieren, die schon das normale Verhalten des Systems kennzeichnen, haben wir uns entschieden, den Zustand des Systems (normal oder abnormal) nicht aus einzelnen Vorhersagen unseres Modells abzuleiten, sondern die Vorhersagen des Modells über die letzten 10 Punkte zu mitteln. Das Modell wurde mit Python und der Bibliothek Scikit-learn [18] implementiert. Das Training des Modells mit 2000 Datenpunkten dauerte etwa 20 Sekunden, bei einer CPU-Auslastung [19]) von 2% und einem Speicherverbrauch von 0.1% (von 2GB). In der Inferenzphase konnte das Modell etwa 50 Vorhersagen pro Sekunde treffen. Die Leistung des Systems wurde bewertet, indem Anomalien eingebracht und geprüft wurde, ob sie erkannt wurden. Außerdem haben wir überprüft, dass normale Beobachtungen nicht als Anomalien eingestuft wurden.
Die beiden von uns getesteten Arten von Anomalien waren:
- Anomalien des Beschleunigungssensors: Wir haben auf die Oberfläche geklopft, auf der das System stand, und so Vibrationen erzeugt
- Anomalien des Wasserflusses: Wir haben einen kleinen Hebel verwendet, um den Wasserdurchfluss einzustellen. Die Anomalie wurde simuliert, indem das Wasser mit einer anderen Geschwindigkeit floss als der, die beim Training des Modells verwendet wurde
Wir können klar feststellen, dass unser Modell die eingebrachten Anomalien erfolgreich erkennt (Tabelle 2). Außerdem wurden keine Anomalien beobachtet, wenn das Modell mit normalen Daten gespeist wurde.
| Vorhergesagt | |||
| Normal | Anomalie | ||
| Tatsächlich | Normal | 1000 | 0 |
| Anomalie | 12 | 1988 | |
| Die Konfusionsmatrix zeigt die Vorhersagen des Modells für normale und abnormale Daten (nahezu ausgewogen zwischen manueller Störung des Beschleunigungssensors und des Wasserflusses). | |||
Ergebnisse
Eine Veränderung der Umgebungsbedingungen, die wiederum eine Änderung der „normalen“ Betriebsbedingungen des Systems mit sich bringt, kann sich negativ auf unser Modell auswirken. Wir glauben, dass es mindestens zwei mögliche Lösungen für ein solches Problem gibt: Die erste erfordert, das Modell mit einem sehr großen Datensatz zu trainieren, sodass mögliche Änderungen der Umgebungsbedingungen in den Datensatz „eingebettet“ sind. Das würde jedoch die Trainingszeit ebenso wie die Inferenzzeit drastisch erhöhen, da LOF ein instanzbasierter Lernalgorithmus ist. Die zweite Lösung beruht darauf, dass die Trainingszeit gering ist, wenn auch die Zahl der Trainingsbeispiele gering ist, und zielt darauf ab, das Modell jedes Mal neu zu trainieren, wenn sich seine normalen Betriebsbedingungen ändern.
Schlussfolgerungen
Die Überwachung von Industrieanlagen war dank der weiten Verbreitung kostengünstiger, energiesparender Sensoren sowie leistungsstarker Single Board Computer (SBC), die als IoT-Gateways dienen, nie so machbar und erschwinglich. Das Zusammenspiel von IoT und ML hat neuen datengesteuerten Ansätzen für Sicherheit und Zuverlässigkeit industrieller Prozesse die Tür geöffnet. In diesen beiden Anwendungen haben wir erfolgreich verschiedene ML-basierte Methoden getestet, um entweder den Zustand des Systems aus einer Menge fester Zustände vorherzusagen oder mögliche anomale Situationen zu erkennen, auch durch Kombination der beiden Ansätze. Die Überwachung wurde sowohl an direkten als auch an indirekten Messungen des analysierten Phänomens getestet. Das System kann die Berechnung am Edge durchführen und erlaubt es uns, in Umgebungen zu arbeiten, die eine sehr hochfrequente Datenerfassung erfordern, was in Anwendungen entscheidend sein kann, in denen nicht alle Daten mit einem entfernten System geteilt werden können. Diese vorläufige Arbeit erlaubte es uns, einige Testfelder zu erkunden, um die Abwägung zwischen Rechenaufwand und Leistung bei realen Aufgaben zu bewerten, und legt den Grundstein für weitere Untersuchungen an komplexeren Überwachungssystemen in verschiedenen Szenarien.
Literaturverzeichnis
[1] Al-Garadi, Mohammed Ali, et al. "A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security." arXiv preprint arXiv:1807.11023 (2018).
[2] Si, Jia, Yibin Li, and Sile Ma. "Intelligent fault diagnosis for industrial big data." Journal of Signal Processing Systems 90.8-9 (2018): 1221-1233.
[3] Gustafsson, J., and F. Sandin. "District heating monitoring and control systems." Advanced District Heating and Cooling (DHC) Systems. Woodhead Publishing, 2016. 241-258.
[4] Sin, M. L., W. L. Soong, and N. Ertugrul. "Induction machine online condition monitoring and fault diagnosis-A survey." Australasian universities power engineering conference. Vol. 28. 2003.
[5] Jahnke, Patrick. "Machine learning approaches for failure type detection and predictive maintenance." Technische Universität Darmstadt 19 (2015).
[6] Schwabacher, Mark, and Kai Goebel. "A survey of artificial intelligence for prognostics." Aaai fall symposium. 2007.
[7] Si, Xiao-Sheng, et al. "Remaining useful life estimation–a review on the statistical data-driven approaches." European journal of operational research 213.1 (2011): 1-14.
[8] Peng, Ying, Ming Dong, and Ming Jian Zuo. "Current status of machine prognostics in condition-based maintenance: a review." The International Journal of Advanced Manufacturing Technology 50.1-4 (2010): 297-313.
[9] Jardine, Andrew KS, Daming Lin, and Dragan Banjevic. "A review on machinery diagnostics and prognostics implementing condition-based maintenance." Mechanical systems and signal processing 20.7 (2006): 1483-1510.
[10] Zhao, Rui, et al. "Deep learning and its applications to machine health monitoring." Mechanical Systems and Signal Processing 115 (2019): 213-237.
[11] Sakib, Nazmus, and Thorsten Wuest. "Challenges and Opportunities of Condition-based Predictive Maintenance: A Review." Procedia CIRP 78 (2018): 267-272.
[12] Čolaković, Alem, and Mesud Hadžialić. "Internet of Things (IoT): A review of enabling technologies, challenges, and open research issues." Computer Networks (2018).
[13] edge.seco.com/en/
[14] McFee, Brian, et al. "librosa: Audio and music signal analysis in python." Proceedings of the 14th python in science conference. 2015.
[15] github.com/librosa/librosa
[16] keras.io
[17] Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000, May). LOF: identifying density-based local outliers. In ACM sigmod record.
[18] Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.
Abonnieren Sie den SECO Newsletter.
Melden Sie sich mit Ihrer E-Mail-Adresse auf seco.com an.



