Laboratorium anomalii drgań
Zbudowałem generator syntetycznych drgań i eksperyment wykrywania anomalii obejmujący ekstrakcję cech oraz ocenę modeli. Wyniki spadły po rozdzieleniu maszyn między uczenie a ocenę, ujawniając zawyżenie spowodowane wyciekiem informacji.
Projekt
Zbudowałem generator danych drgań uwzględniający cechy poszczególnych maszyn i warunki pracy, a także ekstrakcję cech i skrypty oceny. Eksperyment odtwarza sytuację, w której model rozpoznaje znane maszyny zamiast uczyć się wykrywania usterek.
Jak to działa
Rozdzielenie maszyn
Syntetyczne nagrania drgań są grupowane według maszyn; wszystkie nagrania maszyny ocenianej pozostają poza uczeniem.
Uwzględnienie warunków pracy
Dane ze sprawnych maszyn w zbiorze uczącym wyznaczają wzorzec korekty różnic warunków pracy; model uczy się następnie na skorygowanych cechach.
Porównanie wyników dla maszyn
Przewidywania dla prób są łączone w wynik dla każdej nieznanej maszyny i porównywane z podziałem, w którym te same maszyny występują w uczeniu i ocenie.
Porównałem ten sam model przy podziale mieszającym próby między zbiorami oraz przy odkładaniu całej maszyny do oceny. Normalizacja względem warunków pracy korzysta wyłącznie ze sprawnych maszyn w zbiorze uczącym, a przewidywania dla prób są agregowane na poziomie maszyny.
Osobny skrypt weryfikacyjny porównuje pakiet z wynikami referencyjnymi. Kolejne losowania syntetycznej populacji pozwalają sprawdzić, czy obserwacje utrzymują się po zmianie maszyn.
Co wynika z dokumentacji
Wyniki wysokie przy mieszaniu prób spadły po rozdzieleniu maszyn. Korzyści z uwzględnienia warunków pracy zależały także od modelu i miary. Eksperyment zaczyna od pytania o ocenę: co ma pozostać nieznane dla modelu i na jakim poziomie zapada decyzja?
- Niezależne losowania danych syntetycznych
- 30 ziaren generatora
- Średnie F1 maszyn: podział prób → podział maszyn
- 1.000 → 0.758
Zakres
Pomiary opisują zachowanie na danych syntetycznych i nie stanowią oceny skuteczności wykrywania usterek w rzeczywistych urządzeniach.