Fault detection and explanation through big data analysis on sensor streams

پیش بینی خطا یک موضوع مهم برای صنعت است، با ارائه روش های موثر برای تعمیر و نگهداری پیش بینی، شرکت ها قادر به انجام زمان و صرفه جویی در وقت می باشند. در این مقاله، ما یک برنامه کاربردی را برای پیش بینی و توضیح خرابی های درب در قطار مترو توصیف می کنیم. برای این منظور، هدف دوگانه بود: اول، تکنیک های پیش بینی را طراحی کردیم که می توانستند از خرابی های درب از داده های تشخیصی به زودی شناسایی کنند؛ دوم، توصیف شکست از لحاظ خواص متمایز آنها از رفتار عادی است. پیش پردازش داده ها یک کار پیچیده بود که با هدف غلبه بر تعدادی از مسائل با مجموعه داده ها مانند اندازه، اسپاریتی، تعصب، اثر انفجار و اعتماد بود. از آنجایی که سیگنال های پیش فرض شارژ الگوهای مشترک را به اشتراک نگذاشتند، اما تنها به عنوان سیگنال های دستگاه غیر معمول شناخته می شدند، پیش بینی های مربوط به خطا با استفاده از تشخیص خروجی انجام شد. در نهایت بدست آوردن ویژگی های دستگاه نشان می دهد که نشانگر غلط بودن آن است. یک ارزیابی تجربی برای ارزیابی کیفیت رویکرد پیشنهادی انجام شد. نتایج نشان می دهد که نابرابری درجه بالا شاخص های موثر در شکست اولیه است. همچنین، توضیح در خصوص ارزشهای غیر عادی (مسئول بی توجهی) به نظر می رسد کاملا بیانگر است. برخی از جنبه ها در رویکرد پیشنهادی که مستلزم توجه ویژه ای هستند، وجود دارد. ما یک چارچوب کلی برای مشکل تشخیص شکست بر اساس یک مدل انتزاعی داده های تشخیصی همراه با عبارتی مشکل رسمی معرفی می کنیم. هر دو آنها مبنایی برای تعریف یک تکنیک پیش پردازش داده موثر هستند که در آن رفتار یک وسیله در یک فریم زمان مشخص از طریق تعدادی از آمار مناسب خلاصه می شود. این رویکرد به شدت مسائل مربوط به خطاهای داده / سر و صدا را کاهش می دهد، بنابراین قادر به شناسایی موانع موثر است. همه اینها، به نظر ما، زمینه های یک روش کلی برای سیستم های پیشرفته پیش آگهی فراهم می کند.