Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation

یادگیری ماشین را می توان به صورت خودکار پردازش داده های سنسور و ایجاد مدل های داده مبتنی بر پیش بینی و طبقه بندی. با این حال، در برنامه های کاربردی مانند تشخیص خطا، گسل ها رویدادهای نادر هستند و مدل های یادگیری برای طبقه بندی گسل ها به دلیل عدم وجود اطلاعات مربوط به آموزش پیچیده است. این مقاله یک طراحی سیستم تشخیص ترکیبی ارائه می دهد که ترکیبی از باقی مانده های مبتنی بر مدل با طبقه بندی های غیرمعمولی افزایشی است. روش پیشنهادی قادر به شناسایی خطاهای ناشناخته و همچنین طبقه بندی گسل های چند گانه با استفاده از داده های آموزشی تک تک گسل است. روش پیشنهادی با استفاده از یک مدل فیزیکی و داده های جمع آوری شده از موتور احتراق داخلی تأیید می شود.