详细内容或原文请订阅后点击阅览
使用机器学习检测真正有意义的工厂异常 | Viam
Viam ML 管道通过选择性设备数据捕获、灵活的模型训练和轻松部署任何模型来改进异常检测并减少警报疲劳，从而增强工厂决策能力。
来源:Viam 博客在制造领域，数据分析师和其他衡量工厂效率的利益相关者努力提取可操作的见解并支持数据驱动的决策过程，目标是提高产量。
然而，一个关键问题出现了：哪些数据对推动发展真正重要？
有意义的警报的挑战
有意义的警报的挑战考虑重要数据的一种方法是，当您看到意想不到的数据时 - 与机器未按预期运行相一致的数据，或者揭示了应该以更高效的方式工作的低效率。 然后可以监控这些异常，一旦检测到，就采取行动。
许多试图识别这些异常的解决方案还不够智能，无法准确检测真正的异常，因此它们会检测到许多看似不正常的活动。
但是，当面对大量警报时，可能会出现疲劳风险，即在闪烁的灯光中忽略重要通知。毕竟，如果一切都是警报，那就什么都不是了。因此，建立一个强大的系统来区分重大异常和琐碎异常至关重要。
在工厂环境中，过多的警报可能会导致忽略最关键的通知。这种“警报疲劳”可能会削弱即使是最先进的监控系统的有效性，因为它们很难正确区分不影响操作的行为警报和已识别重大风险的行为警报。为了解决这个问题，拥有一个不仅可以检测异常而且还可以确保这些检测更有意义和可操作的系统至关重要。
这就是 Viam 的机器学习 (ML) 管道大放异彩的地方，它提供了一种改进异常检测的复杂解决方案，只需插入现有设备即可，无需复杂的集成。