Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Werkzeug, das Systemen ermöglicht, automatisch auf der Grundlage von Erfahrungen zu lernen und sich zu verbessern. Maschinelles Lernen benötigt keine spezifische Programmierung, um eine Aktivität durchzuführen. Maschinelles Lernen ist die Entwicklung von Computerprogrammen, die auf Daten zugreifen und durch eine Reihe von Algorithmen anhand dieser Daten selbst lernen können, welche Maßnahme basierend auf diesen Daten ergriffen werden sollte.

Das primäre Ziel des maschinellen Lernens ist es, dem System zu ermöglichen, automatisch zu lernen ohne menschliches Eingreifen. Dies ermöglicht es dem System, sich anzupassen und entsprechend zu handeln. Der Lernprozess beginnt damit, dass das System Referenzdaten und Erfahrungen auf der Grundlage dieser Daten beobachtet. Das System beginnt dann zu verstehen und zu lernen, welche Maßnahmen zu ergreifen sind, wenn spezifische Muster innerhalb eines Datensatzes auftreten.

Verschiedene Arten des Maschinellen Lernens

Algorithmen des Maschinellen Lernens Unterteilen sich in Vier Haupttypen

Algorithmen des überwachten maschinellen Lernens sind die häufigste Art von Algorithmen. Ein überwachter Algorithmus wendet das, was das System in der Vergangenheit gelernt hat, auf neue Daten an. Überwachte Algorithmen verwenden Beispiele früherer ähnlicher Trainingsdatensätze und darin enthaltene beschriftete Fehler, um zukünftige Fehler auf der Grundlage des neuen, aber ähnlichen Datensatzes vorherzusagen, den das System interpretiert. Trainingsdatensätze werden in der Regel zunächst durch menschliche Eingriffe erkannt, und dann wird das System gelehrt, Muster zu erkennen, die mit jedem anwendbaren Trainingsdatensatz verbunden sind. Das System vergleicht dann diese Trainingsdatensätze mit neu erfassten Datensätzen. Das System kann gezielte Fehler identifizieren und vorhersagen, sobald genügend Trainingsdatensätze zum Vergleichen verfügbar sind. Diese Art des maschinellen Lernens kann darüber hinaus seine eigene beschlossene Aktion mit der beabsichtigten korrekten Aktion vergleichen und Fehler identifizieren, die das anwendbare Modell verbessern.

Algorithmen des unüberwachten maschinellen Lernens verwenden nicht klassifizierte und nicht beschriftete „Rohdaten”. Diese Rohdaten haben keine zuvor identifizierten Fehler und versuchen daher einfach, eine Aktion auf der Grundlage versteckter unbeschrifteter Fehler in nicht kategorisierten Daten abzuleiten. Das System hat kein vordefiniertes Fehlermodell oder vorgeschriebene potenzielle Aktionen und findet daher nicht die richtige Aktion heraus. Stattdessen untersucht das System die Daten und versucht, Schlussfolgerungen auf der Grundlage nicht identifizierter Muster oder beschrifteter Fehler innerhalb von Lerndatensätzen zu ziehen.

Algorithmen des halbüberwachten maschinellen Lernens sind eine Kombination aus überwachtem und unüberwachtem Lernen, bei der sowohl beschriftete als auch unbeschriftete Datensätze für das Training verwendet werden. Diese Datensätze werden typischerweise durch große Mengen unbeschrifteter, nicht kategorisierter Daten repräsentiert. Das System integriert dann kleinere vordefinierte Sätze von beschrifteten und kategorisierten Fehlermustern. Maschinelle Lernsysteme wie unsere Digivibe MX®-Plattform die diese Methode verwenden, haben eine erheblich verbesserte Lerngenauigkeit. Halbüberwachtes maschinelles Lernen wird gewählt, wenn die erworbenen beschrifteten Daten spezialisierte Ressourcen erfordern, um sie zu trainieren und abgeleitete Maßnahmen zu identifizieren, die zu ergreifen sind, wenn das System ein Fehlermuster erkennt.

Algorithmen des verstärkenden maschinellen Lernens sind die Methode des maschinellen Lernens, die Versuchs- und Fehleraktionen auf der Grundlage eines Datensatzes durchführt und belohnt wird, wenn die richtige Aktion ergriffen wird. Dies schafft einen verstärkenden Ansatz für den Entscheidungsprozess innerhalb des Systems. Dies ermöglicht es dem System, schnell und automatisch die ideale Aktion innerhalb eines bestimmten Datensatzes auf der Grundlage einfacher Belohnungsrückmeldungen zu bestimmen. Diese Methode maximiert die Systemleistung durch den schnellen Einsatz von Verstärkungssignalen.

Implementierung mit Schwingungsanalyse

Die Online-Überwachung der Schwingungsanalyse eignet sich gut für maschinelles Lernen aufgrund der großen Datensätze, die analysiert werden können. Die zwei verschiedenen Arten von Online-Überwachungssystemen setzen jedoch sehr unterschiedliche Arten des maschinellen Lernens ein.

Online-Überwachungssysteme wie PHANTOM®, die per Definition ein Aufklärungs- oder Überwachungssystem sind, setzen typischerweise halbüberwachte Protokolle des maschinellen Lernens ein. Sie erfordern spezialisiertes Wissen, um Ausnahmen in Datensätzen zu identifizieren, und Aufsicht, um die Genauigkeit der Analyse und der vom Lernsystem ergriffenen Maßnahmen sicherzustellen. Je mehr Daten vom System überprüft und verarbeitet wurden, desto zuverlässiger wird das System.

Online-Schutzsysteme wie API-670-konforme Schutzsysteme setzen typischerweise Protokolle des verstärkenden maschinellen Lernens ein. Eine Aktion wird auf der Grundlage der Daten ergriffen und dann vom System belohnt. Ein Beispiel für diese Philosophie wäre ein Näherungssondensystem, das die zulässigen Verschiebungstoleranzen überschreitet und die Maschine herunterfährt. Die Belohnung in diesem Fall ist, dass das System vor einem katastrophalen und typischerweise kostspieligen Ausfall bewahrt wird.

PHANTOM® Umfasst Drei Lerntypen

RMS: Dies ist der einfachste Lernprozess (aber nicht weniger zuverlässig). In diesem Zeitraum verfolgt PHANTOM® den RMS von Geschwindigkeit, Beschleunigung und Beschleunigungseinhüllung, um ein späteres Verhalten zu definieren.

Einhüllungsalarme: Während des Lernprozesses bewertet unser kontinuierliches Überwachungssystem jeden der Spektren, um ein normales Verhalten bei jeder der entsprechenden Frequenzen zu bestimmen. So wird PHANTOM® in Zukunft wissen, wann eine unbekannte Frequenz erscheint oder eine andere bekannte Frequenz in der Amplitude zunimmt, und wird über das halbüberwachte Protokoll vordefinierte Maßnahmen basierend auf den Daten ergreifen.

Voreingestellte Lager- und Getriebeausfälle: Der Schwerpunkt liegt auf der Verfolgung voreingestellter Lager- und Getriebeausfälle und der Ergreifung geeigneter Maßnahmen basierend auf den vorliegenden Fehlerfrequenzen und ihrer Schwere.