モデルベースのクラスタリングアプローチを用いた教師なし学習における故障クラス予測

製造業は、製造プロセスの柔軟性を持ち、経済性を高めるために、ほぼゼロのダウンタイムを実現する新しい方法を検討する安定した道を歩んでいます。過去十年間、産業用IoT（IIoT）デバイスの普及により、無線センサーを使用して機械を継続的に監視し、劣化を評価し、故障を予測することが可能になりました。状態に基づく予知保全は、資産の監視と故障の予測に大きな影響を与えています。これにより、生産、品質、メンテナンスコストへの影響が最小限に抑えられました。これまでの数年で多くのアプローチが提案され、教師あり学習に実装されてきました。本論文では、履歴データの必要性や新しい故障を正確に分類できないという教師あり学習の課題を、教師なし学習を用いた新しい方法論により克服します。この方法論は、故障予測および既知および未知の故障の故障クラス検出を含む予知保全活動の迅速な実施を可能にし、ガウス混合モデルクラスタリングおよびK-meansアルゴリズムを通じての密度推定を使用して結果を実際の振動データと比較します。