Data Mining aplicado à Indústria Ferroviária

 

Apresentação

 

Detecção de anomalias refere-se ao problema de encontrar padrões em dados que não estão conforme o esperado. Esses padrões não-conformes são muitas vezes referidos como anomalias, outliers, observações discordantes, exceções, aberrações, surpresas, peculiaridades ou contaminantes em diferente domínios de aplicações. Destes, anomalias e valores extremos são dois termos mais comumente usado no contexto de detecção de anomalias; às vezes alternadamente. Detecção de anomalias encontra o uso extensivo em uma ampla variedade de aplicações, tais como detecção de fraudes em cartões de crédito, seguros ou planos de saúde, de intrusão detecção de cyber-segurança, detecção de falhas em sistemas críticos de segurança e vigilância militar para atividades inimigas.

Manutenção Preditiva é de cerca de prever falhas no equipamento e medidas de manutenção plano nesse sentido.

•  Evitar manutenção não calendarizada- Implementar manutenção preditiva para prever futuro equipamento

mau funcionamento e falhas e minimizar o risco de desastres não planejadas colocar o negócio em risco.

 

•  Melhorar o Planeamento da manutenção- Optimizar a programação da manutenção, reduzir os custos,

alocação de recursos de manutenção com cautela e reduzir o tempo para o reparo médio.

 

• Baixar os Custos da Manutenção- Não desperdice dinheiro com excesso de cautela manutenção. Apenas

reparar o equipamento quando os reparos são realmente necessários.

 

• Análise à raiz da causa- encontrar as causas de falhas de equipamentos e trabalhar com os fornecedores para

perceber as razões para altas taxas de insucesso. Aumentar o retorno sobre seus ativos.

 

 

 

Objectivos

 

 

 

 

A um nível abstrato, uma anomalia é definido como um padrão que não se conforma com o esperado normais
comportamento. Uma abordagem simples de detecção de anomalias, por conseguinte, é para definir uma região representando comportamento normal e declarar qualquer observação nos dados que não pertence a este normais
região como uma anomalia. Porca vários fatores tornam essa abordagem aparentemente simples muito desafiador:

 

 

• Definindo uma região normal, que engloba todos os possíveis comportamentos normais é muito difícil. Além disso, o limite entre o comportamento normal e anormal, muitas vezes não é preciso. Assim, uma observação anômala que fica perto da fronteira pode realmente ser normal, e vice-versa.

 

• Ao anomalias são o resultado de ações maliciosas, os adversários maliciosos muitas vezes se adaptar-se de fazer as observações anômalas aparecem como normal, tornando a tarefade definir o comportamento normal mais difícil.

 

• Em muitos domínios comportamento normal mantém conceito em evolução e uma corrente de comportamento normal pode não ser suficientemente representativo no futuro.

 

• A noção exata de uma anomalia é diferente para diferentes domínios de aplicação. Por exemplo,no domínio médico um pequeno desvio do normal (por exemplo, flutuações na temperatura corporal) pode ser uma anomalia, enquanto desvio semelhante no domínio do mercado de ações (por exemplo, as flutuaçõesem o valor de um banco) pode ser considerado normal. Assim, a aplicação de uma técnica desenvolvida em um domínio para outro não é simples.

 

• A disponibilidade de dados rotulados para a formação / validação de modelos usados ​​por detecção de anomalias técnicas geralmente é uma questão importante.

 

• Muitas vezes, os dados contêm ruído que tende a ser semelhante às anomalias reais e, portanto, é difícil distinguir e remover.

 

Assim, o ponto é descobrir uma abordagem para produzir os melhores resultados, a fim de prever falhas em
trens. Uma vez que os sensores do trem produzir uma enorme quantidade de dados a abordagem deve levar isso não
como problema, mas a melhor maneira de entender o problema, aqui é onde a mineração de dados vem.