在荷蘭鐵路,我們收集10年代數十億傳感器測量來自火車每年艦隊和鐵路。我們使用這些數據進行預測性維護,如預測火車輪軸軸承的失敗和檢測列車製動管漏氣。這是非常有用的,因為這些失敗是出了名的難以探測到在定期維護,而頻繁發生,導致嚴重的延誤,造成材料和reputy,和成本。
在這次演講中,我們展示如何使用壓縮機日誌為了檢測空氣泄漏的發生火車製動管道。壓縮機運行和空閑時間從日誌中提取和建模logistic回歸量兩個類之間的歧視在正常操作模式。空氣泄漏將導致閑置時間變短,空氣壓力需要更頻繁地夷為平地,可檢測到的物流模式。然後,density-based集群技術,此類事件的序列可以被識別,而忽略了離群值由於間接停電等現象。這些集群相關水平的嚴重程度,基於趨勢分析可以解鎖預計天數壓縮機仍將功能分解。該方法開發了Wan-Jui李荷蘭鐵路和出版“異常檢測和嚴重程度的預測在列車製動管漏氣”在國際期刊2017年預測和健康管理。我們實現了本文中描述的方法在生產環境中使用Python和火花。
會話標簽:# DSSAIS16
Ivo翻轉持有博士學位在圖像處理和機器學習,喜歡編程在Python中,c++, Java, Matlab和r .完成他的研究之後,伊加入GoDataDriven應用他的技能和解決實際問題為工業和企業客戶。因此,他幫助荷蘭國際集團(ING)(銀行)和NS(訓練艦隊)開發生產就緒的數據產品和成長數據科學家的團隊。現在,他是參與開發Medicx。人工智能,使命成為醫療轉到人工智能的合作夥伴。伊是一個經常在各種國際會議和刊物上發表文章如PyData,火花峰會,大會,CVPR NCCV, ICPR, & Goto會議。