.png){kind=icon}
返回
Predictive Maintenance Using Autoencoders and Messaging Systems
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-01130-5_33.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种针对轴承数据的异常检测系统，利用Apache Kafka进行高效数据流处理和LSTM自编码器。该系统依赖于一个数据生产者，用于读取轴承振动数据、计算均方根值，并将原始和经过处理的数据流式传输到Kafka主题。消费者处理这些数据，将原始值存储在PostgreSQL数据库中，并执行异常检测。通过使用预拟合的缩放器和定义的统计阈值，该系统能够有效识别偏离正常工作条件的情况。该架构确保了无缝的数据摄入、存储和处理，从而能够及时干预以防止设备故障。实验结果表明，该系统在检测异常方面具有有效性，突显了其在工业预测性维护中的可扩展性、适应性和实际应用性。
Keyword:
Predictive maintenance
Big Data
Anomaly detection
Apache Kafka
Autoencoders
Machine learning
Real-time monitoring
期刊
E
IF:
0
论文数:
191
被引数:
0
机构
引用论文
分享收藏Fault Detection With LSTM-Based Variational Autoencoder for Maritime Components.png)
IEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏Anomaly Detection with Robust Deep AutoencodersProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
没有更多内容
没有更多内容