在计算机数控(CNC)加工的世界里，许多操作人员努力使他们的机器按照计划和有效地运行。意外事件会影响机器的性能，这些意外事件中的很大一部分会导致机会成本很高的昂贵维修。机床成本可能高达100万美元，每小时的原材料和劳动力也增加了显著的可变成本。停工期是破坏性的、昂贵的，而且完全令人沮丧

Mazak Integrex I-150加工中心。非常酷。橙色。所以提前。

我们意识到这对我们的客户来说是一个大问题，仅仅监控他们的机器性能是不够的。尝试和利用我们的数据库变得至关重要，该数据库包含加工活动的数十亿数据点，以预测这些损坏并提前向操作人员发送警报。

来自行业专家的反馈表明，在一台机器坏掉之前，它通常会以一种不同寻常的方式运转。然而，很难以严格的方式量化什么是“不寻常”，因为基准可能各不相同。工业已经发展出一套系统，机器操作员可以建立严格的活动公差。

当超过额定温度、振动或其他指标的x%时，操作人员可以设置机器报警。不幸的是，这必须手工完成，并需要重新编程，无论何时材料类型或部件被更改。这是因为不同的零件有不同的公差和根本不同的制造外形。

这增加了过程的巨大成本，占用了宝贵的人力资源。我们开发了一种自动检测异常的方法，节省了破碎工具和破碎梦想的成本。缺乏统一的数据和计算能力的缺乏是主要障碍一个自动化解决方案迄今为止,但MachineMetrics收集从成千上万的流媒体数据的独特的地位在数以百计的不同的公司不同的机器上,我让我们丰富的数据源为我们的算法。

我们正在申请专利的异常检测算法能够判断一台机器何时处于与预先设定的基线不同的固有状态。我们利用无监督机器学习来学习这个预先建立的基线。

无监督学习不需要标记数据或手工查找数据中的结构。通过智能算法，推断数据的组织，并构建一个独立于人类监督的问题模型。

应用于机械加工，它意味着人类不需要不断监控或监督设置操作阈值的过程。相反，算法自己学习公差应该是什么，为每一种被加工的零件类型提供定制的要求。我们测量机器在制造零件时所做的内在质量，并计算可接受的加工范围。当机器的固有信号超出这个范围时，我们就可以升起旗帜。

这样做有很多挑战需要克服，但通过有条不紊地将任务分解成更小的部分，最终目标是可以实现的。在本系列中，我们提出了一种结合领域知识、机器学习和查看数据的新方法来自主监控机器异常的新过程。我们利用MTConnect机器计量通过继电器和机器控制收集的类似数据(机器数据标准)。该数据不包含:

1. 振动
2. 权力
3. 温度
4. 任何其他通常需要由外部传感器收集的数据

它包含:

1. 转速(rpm、转速、主轴转速等)
2. 进料速度
3. 工具在每个轴上的装载和位置
4. 机器状态(活动的，不活动的)和部件计数增量(创建部件时，创建了多少)
5. 其他从机器上下来的控制指标，无论如何都必须存在以便机器运行

我们的贡献是一种仅使用对机器操作至关重要的措施来执行异常检测的方法，因此在所有机器上基本上都是通用的。这节省了以前为预测性维护而需要安装的任何额外传感器的成本，并消除了处理与售后市场传感器安装相关的调试和差异的需要。我们的方法也可以用于处理数据匮乏的环境，以及希望减少数据流存储和处理成本的组织。