NR . 1 - 2022
ARROW-CI Det er flere metoder for å utnytte ny teknologi
forklarer Salomonsen , og utdyper : – I Bergen er driftsvinduet -5 ° C til + 28 ° C . På havets bunn er driftsvinduet 0 til + 3 ° C . + 10 ° C vil i kontekst bli definert som en outlier på havets bunn , men ikke i Bergen . + 35 ° C vil i kontekst bli definert som en outlier på havets bunn , i Antarktis og i Bergen , men ikke i Libya . Uten kontekst er temperaturmålingen gjerne bare en måling som ingen har noe forhold til . Dersom vi har fysiske , kjemiske eller biologiske modeller som beskriver parametere som påvirker , kan vi kontekstualisere basert på parameterstudier .
3 . Få tilgang på data Bruk av sensordata til sanntids ML krever at de er tidssynkroniserte med riktig oppdeling ( sampling rate ) og gjort tilgjengelig via en standardisert protokoll , eks . OPC-UA . Riktig oppdeling defineres fra endringshastigheten på det som skal måles . Eksempelvis vil vibrasjonsanalyse kreve sub-millisekund sampling ( iht . Nyquist-kriteriet ) for å identifisere hver enkelt spenningssyklus . Dette gir store datamengder og behov for å prosessere lokalt . Mens temperaturmålinger som regel er en treg prosess som kan overvåkes med lengre intervaller og mindre datamengde .
4 . Sikre datakvalitet Basis for maskinlæring er sammenligning av tidsseriedata av høy kvalitet . Utfordringen er å skaffe til veie pålitelige konsistente og kontinuerlige data for analyse . Industrielle system produserer data fra ulike sensorer med stor variasjon : Ulike nivå av støy , kvalitet , nøyaktighet , sensordrift , og sampling . Støy i data tenderer ofte til å være lik , eller større enn de uregelmessighetene som skal detekteres . Dette krever igjen bruk av ulike filtreringsteknikker , ( eks . enveloping ). Det er derfor viktig å skille mellom uregelmessigheter og fjerne data som representerer « falske positive ». Typisk vil tidsforbruket ved å anvende ML være 2 / 3 på slik datavask og 1 / 3 til analysearbeid og visualisering . Mye av denne datavasken kan unngås
35