Если вы устали скучать на эксплуатации или стоит как-то убить время, ожидая приход ПЛК, то вот материал.
Как неконтролируемое машинное обучение приносит пользу промышленной автоматизации
Неконтролируемое машинное обучение предназначено для работы с немаркированными данными с использованием алгоритмов, которые превосходно выявляют шаблоны и аномалии в данных, начиная от мониторинга состояния и тестирования производительности и заканчивая кибербезопасностью и управлением активами.
Статья написана при поддержке A3
Нам предлагают познакомится с такой вещью, как обучение без учителя, немного про алгоритмы такого обучения и где это можно применить.
1)Кластеризация
Как следует из названия, кластеризация включает в себя анализ наборов данных для выявления общих характеристик среди данных и группировки похожих экземпляров вместе. Поскольку кластеризация — это неконтролируемый метод машинного обучения, алгоритм, а не человек, определяет критерии сортировки.
И примеры использования кластеризации:
-Клиентская аналитика для OEM производителей, которые мониторят свои парки
-Операция обработки изображения
-Подготовка данных перед контролируемым обучением
2)Обнаружение аномалий
Обнаружение аномалий может иметь решающее значение для различных вариантов использования, от обнаружения дефектов до мониторинга состояния и кибербезопасности. Это ключевая задача в неконтролируемом машинном обучении.
И тут список применения увеличился в размерах и по значимости:
-Профилактическое обслуживание.
-Обеспечение качество/проверка
-Идентификация аномалий изображения
-Анализ тестовых данных.
3)Снижение размерности
Это может помочь идентифицировать подмножества данных, которые ортогональны друг другу, т. е. их можно удалить из набора данных, не влияя на основной анализ.
В самой статье еще чуть подробнее за алгоритмы, но общими словами, а также ряд вопрос для понимания, а надо ли это тебе.
https://www.controleng.com/articles/how-unsupervised-machine-learning-benefits-industrial-automation/

@wtfcontrolsengineer