Anomaly Detection in Vibration-Like Data Using Autoencoders

Abstract

Høy-frekvent sensordata fra industrielt maskineri blir stadig lettere å samle og analysere, og samtidig øker viljen til å skulle gjøre dette. Dagens monitoreringssystem kommer ofte til kort når det gjelder å bruke mulighetene som maskinlæringsdomene tillater i hensikt å bedrive avviksdeteksjon. Denne rapporten beskriver et eksperiment som tar sikte på å lære om egnetheten for maskinlæringsteknikken autoencoders til å detektere avvik i et sett med vibrasjonslik data fra en vindmølle. Rapporten nevner relatert arbeid og summerer kort kunnskaper som er nødvendig for å riktig kunne lese rapporten. Den fortsetter ved å beskrive ulike implementerte arkitekturer av autoencoders som ble brukt, og hvor godt hver av de egnet seg til å skille mellom avvik og ikke-avvik i datasettet. De forskjellige arkitekturene ble funnet å ha en treffsikkerhet på mellom 0.44 og 0.73. Resultatene tilsier at autoencoders er en egnet teknikk til formålet om å detektere avvik i vibrasjonslik data.

As the already notable scope of the Internet of Things expands, high-frequency sensor data from company assets becomes easier to obtain, store and analyze, simultaneously boosting the will to do so. Current monitoring systems often fall short when facing the vast possibilities in utilizing machine learning techniques for the purpose of anomaly detection. This report describes an experiment aimed at gaining knowledge on the use of autoencoders for detecting anomalies in a set of vibration-like data sampled in a windmill. The report mentiones related work and briefly summarizes knowledge neccessary for properly reading the report. It continues to describe the different implemented architectures of autoencoders that were tried, as well as how they performed in separating anomalous and non-anomalous data. The different architectures were found to perform with an accuracy of between 0.44 and 0.73. The results imply that the autoencoder is a viable technique for the purpose of detecting anomalies in vibration-like data.