异常检测技术也称为，异常检测技术的核心a用户的行为b系统资源

异常检测技术介绍在软计算领域，智能优化建模技术包括人工智能中的各种关键技术[1]，将“原始数据”集合转化为业务价值，开发新的业务，目的是生成数据知识。如今，工业资产之间的连接以及信息系统、流程和运营工程师[2] 的集成是下一代工业管理的核心。基于工业物联网（IoT），企业必须追求智能优化建模技术（高级分析）[3]来优化决策、商业和社会价值。这些技术往往属于软计算的范畴，旨在通过归纳推理找到类似人类的可能模式，精度较低但能适应合理的变化，并且易于获得[4]。为了能够实施这些先进技术，需要一个全面的流程，也称为“智能数据分析”（IDA）[5]。这是识别数据中可理解模式的更广泛、更重要的过程。此过程的主要困难是从企业的各种来源识别有效且正确的数据进行分析[3]。其次，必须努力创建通过改进绩效提供价值的分析模型。第三，公司必须接受文化变革，以促进分析结果的实施。除此之外，数据积累太大且复杂，传统的数据库管理工具无法处理（“大数据”的定义见《韦氏词典》），因此需要考虑新的工具来管理大数据[6]。本书的这一部分介绍了新兴业务流程中各种预测分析技术的有趣用例。这些是公司如何通过使用这些新方法和技术成功增加利润的例子。本章提供了列车运输异常检测过程的基线预测分析示例。所使用的数据是在正常运行条件下从火车上的本地传感器收集的。第11 章介绍了使用这些技术的两个示例。这些技术不仅可以检测系统异常，还可以支持评估能源生产损失和设备效率下降的过程。第12 章的后半部分支持确定资产健康状况的更具战略性的解决方案，旨在支持资产再投资过程。在大多数情况下，技术基础设施（即用于数据流到负责相应分析的应用程序的传感器和连接）已经存在，因此对公司基础设施的投资小于其收到的回报并不值得。你的事。

列车轴承异常检测本案例研究重点关注—— 运行系统，它是现代列车中要求最高的系统之一。列车运行系统可能包括转向架、制动元件、车轮、车轮引导元件、轴承及其润滑系统、悬架系统和监控装置（加速度计和温度探头）。在该系统中，不仅可以考虑转向元件，还可以考虑牵引元件，例如电动机。在移动系统中，轴承对于服务质量和客户可用性非常重要。轴承故障可能导致列车停运或“列车死机”情况，根据服务合同的条款和条件，通常会导致重大的财务损失。此外，同一事件也可能导致铁路网络延误和中断。在轴承方面，业内领先的制造商会根据径向和轴向载荷、轨道条件、车辆类型和货物类型等多种考虑因素，为特定列车型号定制最佳轴承。类型等尽管这些系统部件的故障率非常低，但—— 个大多数部件的事故率低于每百万公里5×10^-3 (FPMK)。 —— 由于功能丧失的严重性，这些因素中50% 或更多被认为是严重的。在相关文献中，新的研究工作正在开发基于高级分析的框架，以监测这些系统的退化，预测其退化速度，并推荐最佳的维护活动计划，以最大限度地延长其使用寿命，这一点正在变得越来越明显。 7]。这种类型的分析称为预测分析(PA)，并使用预测模型对数据进行评分。这些模型可以分为回归模型和机器学习（ML）模型，因为变量之间的潜在关系通常非常复杂并且采用数学形式。由于依赖关系未知，本文选择后者[8]。计算和通信技术的进步使得大规模自动化数据收集成为可能。使用实时传感器数据可以轻松训练和执行预测模型[9]。企业数字化转型催生了新的运营模式。将从资产和传感器收集的数据与大数据分析相结合，可以监控整个车队，直至单个组件，并根据需要规划维护操作[10]。在许多列车配置中，轴承通过温度、振动或两者的状态测量来监测。两种测量方法相辅相成，可在技术昂贵的轴承安装中提供高效率[11]。振动测量对于疲劳损伤分析（例如点接触和滚珠轴承）非常有用。然而，在观察润滑条件时，这些步骤不太常见。使用温度测量可以可靠地识别润滑条件中的缺陷。在这种情况下，冲击脉冲的测量对温度传感器的响应不太敏感。如果轴承过热，可能会损坏座面、滚动面、标签和滚针表面，或导致保持架破裂或卡住。因此，如果确认轴承劣化，就会出现是否需要立即更换或轴承是否可以继续使用直到下一次计划停机的问题。这个问题的答案取决于几个条件[11]： • 负载：在轻负载下，退化发生缓慢，预计在下次计划停机时更换轴承。随着负载的增加，退化传播得更快。 • 损害程度：最初，病变生长缓慢，但随着损害程度的增加，传播速度也显着增加（图10.1）。

正如读者可能已经猜到的那样，捕获轴承温度行为的变化并不是一件容易的事，假设负载恒定（取决于列车的重量和速度）并且需要评估轴承温度行为的能力。基础设施的条件）、给定的外部温度和定期润滑。例如，请参阅Nagumo 等人的论文[12]，该论文精确研究了作用在轮对上的力。这有助于了解作用在旋转系统中轴承上的力。在本案例研究中，所考虑的列车配置仅具有轴承温度监控，目的是使用这些可以捕获异常轴承温度的传感器来开发预测性维护策略。应用预测分析和大数据处理工具来设计该策略。目标是增加列车预防性维护(PM) 间隔、可靠性和可用性。在下一章中，我们将讨论如何选择机器学习预测模型来使用不同的数据集进行训练（在第6 章中，我们将解释如何选择机器学习预测模型来使用不同的数据集进行训练（在第6 章中）已经展示过可以测试并接受) 的一般模型。舰队克服了这些资产的非遗传性质可能产生的复杂性。这些用于早期故障检测的基于先进预测分析的解释规则与列车车厢控制和监控系统(TCMS) 中已有的规则进行比较，以确保列车安全。 CBM 计划的预期绩效在实施前进行评估，以便在列车运营期间提供更多控制。

基线分析选择用于检测列车轴承温度异常的基线分析（工业互联网联盟，2015）需要选择预测模型并进行培训、验证和测试以进行预测。这项工作选择了机器学习模型。这是因为变量之间的潜在关系预计会非常复杂，并且这些依赖关系的数学形式最初是未知的。轴承温度的动态建模可以使用各种机器学习算法选项作为预测模型来执行[13-16]。引入以下算法进行分析：广义线性模型（GLM）、人工神经网络（ANN）、决策树（DT）、随机森林（RF）、梯度提升树（GBT）和支持向量机（SVM）：

人工神经网络（ANN）是解决复杂问题的一种非常流行的解决方案，例如泵能耗预测问题。神经网络可以使用多种学习算法。常见的监督模型是使用反向传播算法（BPN）训练的多层感知器。 BPN 是一种带有监督学习的反馈模型[17, 18]。决策树（DT）是一种表示聚类检测的树结构，可以为单个数据集生成类别规则。此外，正如Berry 和Linoff 指出的那样，“一种应用一组简单决策规则的结构，可用于将大量记录划分为逐渐变小的记录集”[19]。这些模型最常见的名称是分类树或回归树。随机森林(RF) 是用于回归和分类问题的高效且直观的模型。它们很直观，因为它们提供了清晰的结果路径，并且基于决策树的底层结构。决策树是使用一系列决策创建的模型，这些决策根据变量的值选择其中一条路径。该树依赖于独立采样的随机向量。森林中的所有树向量都使用相同的分布进行采样。随着森林中树木数量的增加，森林泛化误差收敛。树分类森林的误差取决于森林中各个树的权重以及它们之间现有的相关性。误差、强度和相关性被估计并用于指示对更多元素的分割的响应。内部测量也用于评估变量的重要性[20]。梯度提升树（GBT）[21]是将提升技术应用于回归树的结果。它计算一系列树，其中每个连续的树都是根据前一树的预测残差构造的。富集算法的每一步将数据拆分为两个样本，确定每个分区节点的最佳分区，并计算回归误差。然后调整下一棵树以减少误差。该驱动树通过调整多个模型并将它们组合起来进行预测来提高单个模型的性能。附加树的最大数量设置为200 以避免过度拟合。构建树的子样本比例为0.5，最大层数设置为10。选择了各种性能指标来评估算法的行为。这些指标分为两类：一类与误差相关[平均绝对误差（MAE）、均方根误差（RMSE）、相对误差（MRE）、均方根误差（MSE）、相关性]，另一类与计算相关。分为几组。时间（训练时间和评分时间）。以下段落按顺序提供了每个指标的定义。

平均绝对误差(MAE) 计算基于预测误差ei，该误差由模型预测值y^i 与实际值yi 之间的差异确定。对于预测误差或残差误差(ei=yi y^i)，该值的MAE 为（参见公式10.1）： 各个数据点的误差可以是正的，也可以是负的，并且可以相互抵消。为了得出模型的总体预测，必须计算绝对误差，并对所有残差进行求和和平均。该指标用于了解准确性。

在某些情况下，用较高的残差来惩罚单个点错误是有利的。即使两个模型具有相同的MAE，一个模型也可能具有一致的误差，而另一个模型可能在某些点具有较低的误差，而在其他点具有较高的误差。均方根误差(RMSE) 对后者不利。 RMSE 计算如下（参见公式10.2）： 平均相对误差(MRE) 是预测值与实际值的平均绝对偏差除以实际值。该指标用于评估质量，MRE 计算如下（参见公式10.3）： 均方误差(MRE) 是一种测量均方误差或预测值与实际值之间差异的估计量。这种差异是因为预测值没有考虑随机性或可能产生更准确估计的信息。均方误差是与二次损失的期望值相对应的风险函数。计算公式如下（参见公式10.4）： 这里，n表示数据集中数据点的数量。

相关性是一种统计量，用于衡量两个变量之间的关系并衡量一个属性对另一个属性的依赖性。如果两个变量高度相关，它们将以相同的速率（或相反的方向）变化。变量之间的相关性并不意味着因果关系。也就是说，一个变量不一定会引起另一个变量的变化。这种相关性通过皮尔逊相关系数(r) 来衡量，该系数衡量线性相关性的强度。两个属性y^i 和yi 之间的相关性由方程（10.5）计算。 对于算法计算时间的性能指标，我们使用了RapidMiner Studio 软件9.5 版教育版的Automodel 选项（版权持有者RapidMiner GmbH 20012023）。技术测试。 RapidMiner 提供每种算法的训练和评分时间，以每1000 行数据的毫秒(ms) 为单位。总时间可以被认为是训练时间和评分时间的总和。所有算法实验均在配备I7 处理器、8 GB RAM 和64 位操作系统的笔记本电脑上进行。为了测试不同模型在相似列车运行条件下的性能，我选择了几个短的单列列车运行周期来获得合理的数据提取并测试它们预测温度的能力。更具体地说，所使用的数据是在以下日历时间间隔内获得的：（2023年2月1日至2023年2月3日）（2023年2月3日至2023年2月（从2023年2月7日至2023年2月9日）；以及（从2023年2月9日至2023年2月11日）。在此期间，每分钟记录一次数据，总共成功记录了8,265 个时间事件，包括以下经过过滤和处理的数据：运行日期和时间、列车速度、车轴油压和每个轴承的温度（假设）。对于每个轴）具有四个方位角位置（T 1、T 2、T 3、T 4）和外部温度（T a）。对于训练，随机选择70% 的数据进行训练，其余30% 用于模型验证[22]。各种预测模型的性能结果如表10.1所示。

性能结果将提供给机车公司，智能维护工程和新项目部门将首先选择总时间相关系数最佳的ANN 模型，假设所需的最小相关系数为0.9600。

实施异常检测模型为了针对每个单独的轴承过热故障模式制定策略，有必要确定用于检测异常温度行为的故障模式描述符和解释规则。此外，需要证明实施新的CBM 战略的好处。为此，请按照本节中的步骤操作。

监控变量的符号表示定义描述符定义当前在TCMS 中实施的规则定义潜在新CBM 计划的规则新CBM 计划的好处一旦您测试了潜在的CBM 计划好处，您就可以确保您的CBM 计划是准确的。设计并设定阈值。解释确定的规则，计算计划的预期绩效，并对其进行控制。考虑的监测变量是：

T at：时间t 时的外部温度。 TSt：时间t 时的列车速度。 T i j t： 时间t 时j 轴上轴承位置i 的温度。描述符是附加指标，除了监测变量之外，还可以跟踪恶化的进展情况。本案例研究使用：

T i j t：时间t 时j 轴上轴承位置i 的预测（ML 模型）温度。 A E(T i j t)：轴承ij 在时间t 的温度预测的绝对误差。 T max j：同一轴承在时间t 时的最高温度。其中i=1.n 表示每个轴的轴承位置，在本案例研究中n=4。

Tminj：同一车轴上四个轴承的最低温度T i t：列车上所有Ti 轴承在时间t 时所有轴承温度的平均值：其中m=列车中的车轴数量，在本案例研究中m=21。

Ti t ：t 时刻所有T 1 轴承温度的标准偏差：当这项工作开始时，一套轴承问题检测规则已经在列车TCMS 中实施。引入这些规则的主要原因是列车安全。如果系统在列车运行时记录到任何警告信息，则可能需要进行维护分析，或者如果紧急回路打开，列车可能会立即停止。这些规则包括： • 安全防护规则A. 轴承温差：

如果同一轴上的四个轴承之间的温差超过25 C (Tmaxj – Tminj 25 C) 并且这种情况持续超过1 分钟，将显示消息A1 并保存在PS 中。如果同一轴上的四个轴承之间的温差小于25C (Tmaxj – Tminj 25C)，则取消消息A1。如果同一轴上的四个轴承之间的温差超过40 C（Tmaxj – Tminj 40 C）并且这种情况持续超过1 分钟，PS 上将显示消息A3 并保存在历史记录中。并且紧急电路打开。如果同一轴上的四个轴承之间的温差低于40C (Tmaxj – Tminj 40C)，则取消消息A3 并且关闭循环。 • 安全保护规则B. 轴承的绝对温度规则

如果特定轴承的温度达到Ti j 110C 并持续超过1 分钟，则电路断开，列车停止。诊断消息B5 显示在PS 上并保存在历史记录中，打开紧急循环。如果特定轴承的温度达到Ti j 110C 并持续超过1 分钟，则电路断开，列车停止。当轴承温度足够低时，T i j 110C，消息B5被取消并且电路闭合。新的预测性维护规则仅用于预测性维护目的，不会直接影响列车控制。 • 轴承温度异常行为预测规则C.

如果轴承温度Tijt超过Tit2·Tit超过1分钟，TCMS会记录警告W7。如果TSt TSTH1 且AE(Tijt) AETHi 并且持续时间超过1 分钟，TCMS 会记录警告W8。这里，AETHi 和T ST H1 是规则考虑的阈值。图10.2 显示了C 规则提供的可能性。这些规则确定的变量是在一次长途火车旅行中呈现的，时间范围为6月20日的1,633,360,000秒到6月21日的1,833,360,000秒。读者可能已经注意到，W7 警告消息不会被记录，但W8 消息会记录从6 月20 日的19:00 到21 日大约8:00 的时间段（在下一节中介绍）（主要取决于规则的阈值）。 A1、A3、B5 消息不会被记录（事实上，规则A 和B 还远未激活）。这是C8 规则相对于C7 统计规则在轴承故障早期检测方面的预期性能的明显示例，并显示了潜在的改进空间。

应测试这些潜在的早期故障检测改进的性能。为此，请完成以下过程：

选择包含正常和退化条件时期的数据集准确绘制描述符和阈值选择规则预期性能评估为了设计CBM 规划规则，仔细审查了列车轴承数据集，并由工程师和轴承技术人员数据选择了列车OEM 三个放。在这些数据集中，我们确定了预防性更换之前、期间和之后轴承状况良好的时期。在每种情况下，在记录第一条A1 消息后都会尽快更换轴承。不记录A3 或B5 消息。轴承被更换而不是修复，故障模式被简单地描述为“轴承过热”。

结果讨论C8 规则的准确性取决于其阈值。绝对误差阈值(AE THi) 的值越低，误报（错误和异常温度行为）的概率就越高，真阴性的概率就越高，从而使规则不太准确，并且不太可能出现负面命中。率会更高。如果轴承状况良好，图10.3 显示了使用第6 章中包含的第一个数据集时出现在预测AE 记录中的一些有趣数据。事实上，对于列车的任何速度状态，对于所有i，AE(Ti, AAt) 10C。为了观察这一事实，AE(T1, AAt) 的分布如右图所示。

如果轴承处于退化状态，图10.4 显示了在点T1 10C AE(T1, AAt) 25C（对于所有i）处多个轴承的有趣数据。为了观察这一事实，AE(T1, AAt) 的分布如右图所示。此外，这些点在任何列车速度区域都会出现，但当列车速度超过90公里/小时时，这些点明显更密集。为了观察这一事实，AE(T1,AAt)的分布也显示在同一图中。

为了说明轴承处于良好状态和进入退化状态时AE 数据分布的差异，图10.5 显示了根据规则C8 的TRA 2 和3 列期间AA 轴的预测温度。 90公里/小时。

在相关文献中，可以找到各种方法来评估分类系统的性能。最常见的方法之一是混淆矩阵[25]。这里，准确率是正确分类的阳性病例数与预测的阳性病例数的比率。例子。这是积极预测正确性的衡量标准。准确度是正确预测的百分比（图10.6）。

如前所述，数据集中用于误差估计的记录数量由列车速度阈值固定。然而，当选择AET H1=10C 的规则时，所有研究的案例都显示出更好的精度性能。使用图10.5中的值构建混淆矩阵并计算预测规则的性能指标，如图10.6所示。表10.2 以T1 轴承为例对此进行了说明。研究了两个不同列车速度阈值（10 公里/小时和90 公里/小时）下规则性能的差异。

本节最重要的结论是，如果在规则中选择绝对误差描述符并将阈值设置为10C，则无论列车速度如何，都可以以最高的精度检测异常轴承温度行为。可以通过特异性来预测。当列车速度增加阈值达到90 km/h 时，规则的准确性没有显着结果。在本案例研究中，由于该选项易于实施，最终选择的阈值是AET H1 10C 和T St 90 km/h。所选规则的精度越高，发现的积极结果就越多（除了TCMS 中其他规则控制的异常传感器行为之外），这些结果清楚地表明轴承损坏期的开始。有关所分析的三个数据集的这些周期持续时间的信息如图10.7 所示。可以看出，时段2在列车TRA的T1方向持续了49.908公里，在列车TRB的T4方向持续了108.455公里。搭乘台铁T2列车，全程75.526公里。

引入CBM程序后，所获得的轴承损伤数据将被适当选择，进一步积累和分析，预计可用于开发准确的剩余寿命预测模型（预测）（RUL）轴承[26]。尽管现在估计轴承潜在功能失效(P-F) 间隔的概率还为时过早，但将此类轴承的PM 间隔延长至30,000 公里的可能性的初步结果是有希望的。当前的业务需求。请注意，如果检测到损坏情况，根据从三个数据集获得的结果，可以在下一个PM 间隔内计划预防性更换，对列车运行的影响最小。参考

Shin YC, Xu C (2023) 智能系统的建模、优化和控制： CRC Press，博卡拉顿，佛罗里达州，美国工业互联网联盟（2023）工业物联网，卷B01:业务战略和创新框架（IIC: PUB: B01: V1.03336）0 PB : 20231115 http://www.iiconsortium.org/business_strategy_ and_innovation_framework_nov_2023pdf大气预测10:101. https://doi。 org/10.3390/atmos10020101Fayyad UM, Piatetsky-Shapiro G, Smyth P (1996) 面向统一框架的知识发现和数据挖掘： KDD 96:8288ClarkeR(2023) grisks.InfS ystJ26:7790K umar M. K. P. A. ( 2023）认识损害旋转轴承和检查轴承。 BarkeD, Chiu KW (2005) 铁路行业的结构健康监测：a 综述。https://doi.org/10.1177/1475921705049764FerroniF, KlimmekM, AufderheideH, LaiaJ, KlingebielD, DavidichM (2023) 网络和系统的数据驱动监测；第15 卷，施普林格，1003 页。 1013. https://doi .org /10.1007/978-3-319-56994-9_68Schaeffler Technologies GmbH Co. KG (2010) 滚动轴承的损伤识别和轴承检查（由S. Technologies G. C. KG 编辑）(WL 82 102/)。 Industriesstrasse 1 3 91074 Herzogenaurach 德国： Schaeffler Technologies GmbH Co. KG https://www.schaeffler.de/content.schaeffler.de/en/news_media/media_library/index.jsp tab=mediathek-pubuid=114073subfilter=app:dc; 语言-vid:167;语言-

pub:167; mediatyp-pub:all;referencetyp-pub:0Nagumo Y, Tanifuji K, Imai J (2010) Basic study of wheel flange climbing using model wheelset. Nihon Kikai Gakkai Ronbunshu, C Hen/Trans Jpn Soc Mech Eng Part C. https://doi. org/10.1299/kikaic.74.242Hamadache M, Jung JH, Park J, Youn BD (2023) A comprehensive review of artificial intelligence-based approaches for rolling element bearing PHM: shallow and deep learning. JMST Adv. https://doi.org/10.1007/s42791-019-0016-yKouL,QinY,ZhaoX,FuY(2023)Integratingsyntheticminorityoversamplingandgradient boosting decision tree for bogie fault diagnosis in rail vehicles. Proc Inst Mech Eng Part F J Rail Rapid Transit 233(3):312–325. https://doi.org/10.1177/0954409718795089Li H, Parikh D, He Q, Qian B, Li Z, Fang D, Hampapur A (2014) Improving rail network velocity: a machine learning approach to predictive maintenance. Transp Res Part C Emerg Technol. https://doi.org/10.1016/j.trc.2014.04.013ShaoH,JiangH,LiX,LiangT(2023)Rollingbearingfaultdetectionusingcontinuousdeep belief network with locally linear embedding. Comput Ind. https://doi.org/10.1016/j.compind. 2023.01.005BasheerIA,HajmeerM(2000)Artificialneuralnetworks:Fundamentals,computing,design, and application. J Microbiol Methods. https://doi.org/10.1016/S0167-7012(00)00201-3Zhang G, Eddy Patuwo B, Hu Y, M. (1998) Forecasting with artificial neural networks: the state of the art. Int J Forecast. https://doi.org/10.1016/S0169-2070(97)00044-7Berry MJA, Linoff G (2004) Data mining techniques: for marketing, sales, and customer relationship management. WileyBreimanL(2001)Randomforests.MachLearn45(1):5–32.https://doi.org/10.1023/A:1010933404324Hill T, Lewicki P, Lewicki P (2006) Statistics: methods and applications : a comprehensive reference for science, industry, and data mining. StatSoft. https://books.google.es/books id= TI2TGjeilMACBorovickaT,JirinaM,KordikP,JiriM(2012)Selectingrepresentativedatasets.In:Advances in data mining knowledge discovery and applications. https://doi.org/10.5772/50787Guillén AJ, Crespo A, Gómez JF, Sanz MD (2023) A framework for effective manage- ment of condition based maintenance programs in the context of industrial development of E-Maintenance strategies. Comput Ind 82:170–185. https://doi.org/10.1016/j.compind.2023. 07.003Gulledge T, Hiroshige S, Iyer R (2010) Condition-based Maintenance and the product improvement process. Comput Ind. https://doi.org/10.1016/j.compind.2010.07.007KoutroumbasK,TheodoridisS(2008)Patternrecognition,4thedn.Burlington.ISBN978-1- 59749-272-0. Accessed 8 Jan 2023Zhang B, Zhang S, Li W (2023) Bearing performance degradation assessment using long short-term memory recurrent network. Comput Ind. https://doi.org/10.1016/j.compind.2023. 12.016