Využití strojového učení v platformě Industrial Edge

Abstract

Cílem této práce je prozkoumat analytické nástroje založené na strojovém učení na nové platformě Industrial Edge, která využívá edge computing architekturu, a navrhnout její rozšíření pro uplatnění v železniční infrastruktuře. V jedné z aplikací byla částečně replikována aplikace pro monitorování stavu výhybek, přesto na této platformě chybí vizualizační nástroj pro reálný čas, který má velkou míru přizpůsobitelnosti a profesionální vzhled. Aplikace Anomaly Detection prokazuje největší potenciál pro prediktivní údržbu přestavníků, ale nezvládá čelit specifickým výzvám v jejich datech. Model, který používá pouze konvoluční autoenkodér, jednu z nejmodernějších architektur pro detekci anomálií v časových řadách, narazil na stejný problém. Z tohoto důvodu tato práce navrhuje nový hybridní model, ve kterém je využit základní model založen na neuronových jednotkách vyššího řádu pro rozšíření algoritmů aplikace Anomaly Detection a zlepšení její dovednosti detekovat poruchy v přestavnících.

This thesis aims to investigate machine-learning-based analytics tools of the novel Siemens Industrial Edge platform, which employs an edge-computing architecture, and propose extensions for its use in rail infrastructure applications. A turnout health status application was partially replicated in one of the applications, but the platform lacks a highly customizable, professional-looking, and real-time data visualization tool. The Anomaly Detection application shows the most promise for predictive maintenance of point machines, but it struggles to counter their data's unique challenges. A model using solely a convolutional autoencoder, one of the state-of-the-art autoencoder architectures for time series anomaly detection, encountered that same problem. As such, this thesis proposes a novel hybrid model where a high-order neural unit foundation model is used to extend Anomaly Detection's algorithms and improve its ability to detect point machine faults.