在荷兰铁路公司，我们每年收集来自火车车队和铁路的数十亿传感器测量数据。我们利用这些数据进行预测性维护，例如预测列车轴轴承的故障，检测列车制动管道的漏气。这是非常有用的，因为这些故障在常规维护中很难发现，而频繁发生并导致严重的延误，对材料和声誉的损害，以及成本。
在这次演讲中，我们将介绍如何使用压缩机日志来检测列车制动管道漏气的发生。压缩机运行时间和空闲时间从日志中提取，并通过逻辑回归器进行建模，以区分正常运行模式下的两类时间。漏风会导致空转时间变短，因为气压需要调平的频率更高，这一点可以用logistic模型检测到。然后，使用基于密度的聚类技术，可以识别这类事件的序列，同时忽略由于环境现象(如停电)造成的异常值。这些集群与严重程度相关，基于这些趋势分析，可以解锁压缩机在故障前仍能正常工作的预期天数。该方法由荷兰铁路公司的Wan-Jui Lee开发，并于2017年在《国际预测与健康管理杂志》上发表了“列车制动管道漏气的异常检测和严重程度预测”。我们已经在生产环境中使用Python和Spark实现了本文中描述的方法。
会话标签:#DSSAIS16
Ivo Everts拥有图像处理和机器学习博士学位，喜欢使用Python、c++、Java、Matlab和r编程。在完成研究后，Ivo加入了GoDataDriven，应用他的技能，为工业和企业客户解决实际问题。因此，他帮助ING(银行)和NS(火车车队)开发了可生产的数据产品，并壮大了他们的数据科学家团队。现在，他参与了Medicx的开发。ai，其使命是成为医疗保健领域的人工智能合作伙伴。Ivo经常为各种国际会议和期刊投稿，如PyData, Spark Summit, ECCV, CVPR, NCCV, ICPR, TIP & Goto Conference。