On the combination of support vector machines and segmentation algorithms for anomaly detection: A petroleum industry comparative study

تشخیص آنومالی با پیدا کردن الگوهای داده ای که با رفتار مورد انتظار مطابقت ندارد. به تازگی توجه جامعه پژوهشی به دلیل کاربرد دنیای واقعی آن را جلب کرده است. تشخیص صحیح رویدادهای غیرمعمول، تصمیم گیرنده را قادر می سازد تا بر روی سیستم عمل کند تا به درستی از موقعیت های مربوط به آنها جلوگیری، اصلاح شود یا واکنش نشان دهند. صنعت نفت یکی از چنین سناریوهای کاربردی در دنیای واقعی است. به طور خاص، ماشین های استخراج سنگین برای عملیات پمپاژ و تولید مثل توربوماشین ها به شدت توسط صدها سنسور تحت نظارت قرار می گیرند که هر کدام اندازه گیری هایی را با فرکانس بالا برای پیشگیری از آسیب می کنند. برای مقابله با این و با کمبود داده های برچسب دار، در این مقاله ترکیبی از یک الگوریتم تقسیم بندی سریع و با کیفیت بالا با یک روش ماشین بردار پشتیبانی یک طبقه برای تشخیص آنومالی کارآمد در تورب ماشین ها را توصیف می کنیم. در نتیجه، ما مطالعات تجربی را مقایسه می کنیم که رویکرد ما به استفاده از فیلترهای کلمن در یک برنامه کاربردی واقعی مربوط به تشخیص آنومالی توربوماشین پلت فرم نفت است.