現(xiàn)代工業(yè)環(huán)境充滿了傳感器和智能組件，所有這些設(shè)備一起產(chǎn)生了豐富的數(shù)據(jù)。當(dāng)今大多數(shù)工廠尚未深入開發(fā)的這些數(shù)據(jù)，為各種令人興奮的新應(yīng)用提供了動力。事實(shí)上，據(jù) IBM 稱，平均每個(gè)工廠每天都會產(chǎn)生 1TB 的生產(chǎn)數(shù)據(jù)。然而，只有大約 1% 的數(shù)據(jù)被轉(zhuǎn)化為可操作的見解。

機(jī)器學(xué)習(xí) (ML) 是一項(xiàng)基礎(chǔ)技術(shù)，旨在利用這些數(shù)據(jù)并釋放大量價(jià)值。使用訓(xùn)練數(shù)據(jù)，機(jī)器學(xué)習(xí)系統(tǒng)可以建立數(shù)學(xué)模型來教一個(gè)系統(tǒng)在沒有明確指令的情況下執(zhí)行特定任務(wù)。

ML 使用對數(shù)據(jù)起作用的算法在很大程度上無需人工干預(yù)即可做出決策。工業(yè)自動化領(lǐng)域最常見的機(jī)器學(xué)習(xí)形式是監(jiān)督機(jī)器學(xué)習(xí)，它使用人類標(biāo)記的大量歷史數(shù)據(jù)來訓(xùn)練模型（即人類監(jiān)督算法的訓(xùn)練）。

這對于軸承缺陷、潤滑故障或產(chǎn)品缺陷等眾所周知的問題非常有用。監(jiān)督機(jī)器學(xué)習(xí)的不足之處在于無法獲得足夠的歷史數(shù)據(jù)，標(biāo)記過于耗時(shí)或昂貴，或者用戶不確定他們在數(shù)據(jù)中尋找的確切內(nèi)容。這就是無監(jiān)督機(jī)器學(xué)習(xí)發(fā)揮作用的時(shí)候。

無監(jiān)督機(jī)器學(xué)習(xí)旨在使用擅長識別模式和查明數(shù)據(jù)異常的算法對未標(biāo)記的數(shù)據(jù)進(jìn)行操作。正確應(yīng)用的無監(jiān)督機(jī)器學(xué)習(xí)服務(wù)于各種工業(yè)自動化用例，從狀態(tài)監(jiān)測和性能測試到網(wǎng)絡(luò)安全和資產(chǎn)管理。

監(jiān)督學(xué)習(xí)vs.無監(jiān)督學(xué)習(xí)

監(jiān)督機(jī)器學(xué)習(xí)比無監(jiān)督機(jī)器學(xué)習(xí)更容易執(zhí)行。使用經(jīng)過適當(dāng)訓(xùn)練的模型，它可以提供非常一致、可靠的結(jié)果。有監(jiān)督的機(jī)器學(xué)習(xí)可能需要大量歷史數(shù)據(jù)--正如包含所有相關(guān)案例所需要的那樣，即，為了檢測產(chǎn)品缺陷，數(shù)據(jù)需要包含足夠數(shù)量的有缺陷產(chǎn)品案例。標(biāo)記這些海量數(shù)據(jù)集可能既耗時(shí)又昂貴。此外，訓(xùn)練模型是一門藝術(shù)。它需要大量數(shù)據(jù)，經(jīng)過適當(dāng)?shù)恼恚拍墚a(chǎn)生良好的結(jié)果。

如今，使用 AutoML 等工具對不同的 ML 算法進(jìn)行基準(zhǔn)測試，這一過程得到了顯著簡化。同時(shí)，過度約束訓(xùn)練過程可能會導(dǎo)致模型在訓(xùn)練集上運(yùn)行良好，但在實(shí)際數(shù)據(jù)上效果不佳。另一個(gè)關(guān)鍵缺點(diǎn)是監(jiān)督機(jī)器學(xué)習(xí)在識別數(shù)據(jù)中的意外趨勢或發(fā)現(xiàn)新現(xiàn)象方面不是很有效。對于這些類型的應(yīng)用程序，無監(jiān)督機(jī)器學(xué)習(xí)可以提供更好的結(jié)果。

常見的無監(jiān)督機(jī)器學(xué)習(xí)技術(shù)

與監(jiān)督機(jī)器學(xué)習(xí)相比，無監(jiān)督機(jī)器學(xué)習(xí)僅對未標(biāo)記的輸入進(jìn)行操作。它為數(shù)據(jù)探索提供了強(qiáng)大的工具，無需人工幫助即可發(fā)現(xiàn)未知模式和關(guān)聯(lián)。對未標(biāo)記數(shù)據(jù)進(jìn)行操作的能力可以節(jié)省時(shí)間和金錢，并使無監(jiān)督機(jī)器學(xué)習(xí)能夠在生成輸入后盡快對數(shù)據(jù)進(jìn)行操作。

不利的一面是，無監(jiān)督機(jī)器學(xué)習(xí)比監(jiān)督機(jī)器學(xué)習(xí)更復(fù)雜。它更昂貴，需要更高水平的專業(yè)知識，并且通常需要更多數(shù)據(jù)。它的輸出往往不如有監(jiān)督的 ML 可靠，并且最終需要人工監(jiān)督才能獲得最佳結(jié)果。

無監(jiān)督機(jī)器學(xué)習(xí)技術(shù)的三種重要形式是聚類、異常檢測和數(shù)據(jù)降維。

聚類

顧名思義，聚類涉及分析數(shù)據(jù)集以識別數(shù)據(jù)之間的共享特征并將類似的實(shí)例組合在一起。因?yàn)榫垲愂且环N無監(jiān)督的 ML 技術(shù)，所以算法（而不是人類）決定了排序的標(biāo)準(zhǔn)。因此，聚類可以帶來令人驚訝的發(fā)現(xiàn)，并且是一種出色的數(shù)據(jù)探索工具。

舉一個(gè)簡單的例子：想象三個(gè)人被要求在一個(gè)生產(chǎn)部門對水果進(jìn)行分類。一種可能按水果類型排序--柑橘、核果、熱帶水果等；另一種可能按顏色排序；而第三種可能按形狀排序。每種方法都突出了一組不同的特征。

聚類可以分為多種類型。最常見的是：

互斥聚類（Exclusive Clustering）：一個(gè)數(shù)據(jù)實(shí)例被獨(dú)占分配給一個(gè)集群。

模糊或重疊聚類（Fuzzy Clustering）：一個(gè)數(shù)據(jù)實(shí)例可以分配給多個(gè)集群。例如，橘子既是柑橘類水果，也是熱帶水果。在對未標(biāo)記數(shù)據(jù)進(jìn)行操作的無監(jiān)督 ML 算法的情況下，可以分配數(shù)據(jù)塊正確屬于 A 組與 B 組的概率。

層次聚類（Hierarchical clustering）：該技術(shù)涉及構(gòu)建聚類數(shù)據(jù)的分層結(jié)構(gòu)，而不是一組聚類。橘子是柑橘類水果，但它們也包含在較大的球形水果組中，可以進(jìn)一步被所有水果組吸收。

讓我們看一組最流行的聚類算法：

• K-均值

K 均值（K-means）算法將數(shù)據(jù)分類到 K 聚類中，其中 K 的值由用戶預(yù)設(shè)。在過程開始時(shí)，算法隨機(jī)分配 K 個(gè)數(shù)據(jù)點(diǎn)作為 K 個(gè)聚類的質(zhì)心。接下來，它計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與其聚類的質(zhì)心之間的均值。這會導(dǎo)致將數(shù)據(jù)訴諸集群。此時(shí)，算法重新計(jì)算質(zhì)心并重復(fù)均值計(jì)算。它重復(fù)計(jì)算質(zhì)心和重新排序聚類的過程，直到它到達(dá)一個(gè)恒定的解（參見圖1）。

圖 1：K-means 算法將數(shù)據(jù)集劃分為 K 個(gè)集群，首先隨機(jī)選擇 K 個(gè)數(shù)據(jù)點(diǎn)作為質(zhì)心，然后在集群中隨機(jī)分配剩余的實(shí)例。

K-means算法簡單高效。它對于模式識別和數(shù)據(jù)挖掘非常有用。不利的一面是，它需要一些數(shù)據(jù)集的高級知識來優(yōu)化設(shè)置。它也受到異常值的不成比例的影響。

• K-中值

K-中值（K-median）算法是 K-means 的近親。它使用基本相同的過程，只是它不是計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的平均值，而是計(jì)算中值。因此，該算法對異常值不太敏感。

以下是聚類分析的一些常見用例：

• 聚類對于細(xì)分等用例非常有效。這通常與客戶分析相關(guān)聯(lián)。它還可以應(yīng)用于資產(chǎn)類別，不僅用于分析產(chǎn)品質(zhì)量和性能，還可用于識別可能影響產(chǎn)品性能和使用壽命的使用模式。這對于管理資產(chǎn)"車隊(duì)"的OEM公司很有幫助，例如智能倉庫中的自動化移動機(jī)器人或用于檢查和數(shù)據(jù)收集的無人機(jī)。
• 它可以作為圖像處理操作的一部分用于圖像分割。
• 聚類分析還可用作預(yù)處理步驟，以幫助為受監(jiān)督的 ML 應(yīng)用程序準(zhǔn)備數(shù)據(jù)。

異常檢測

異常檢測對于從缺陷檢測到狀態(tài)監(jiān)控再到網(wǎng)絡(luò)安全的各種用例至關(guān)重要。這是無監(jiān)督機(jī)器學(xué)習(xí)中的一項(xiàng)關(guān)鍵任務(wù)。在無監(jiān)督機(jī)器學(xué)習(xí)中會使用多種異常檢測算法，讓我們來看看兩個(gè)最受歡迎的：

• 隔離森林算法

異常檢測的標(biāo)準(zhǔn)方法是建立一組正常值，然后對每條數(shù)據(jù)進(jìn)行分析，看它是否偏離正常值以及偏離多少。在處理 ML 中使用的那種海量數(shù)據(jù)集時(shí)，這是一個(gè)非常耗時(shí)的過程。隔離森林（Isolation forest）算法采用相反的方法。它將異常值定義為與數(shù)據(jù)集中的其他實(shí)例既不常見又非常不同。因此，它們更容易與其他實(shí)例上的其余數(shù)據(jù)集隔離開來。

隔離森林算法的內(nèi)存需求最小，所需時(shí)間與數(shù)據(jù)集的大小呈線性關(guān)系。他們可以處理高維數(shù)據(jù)，即使它涉及不相關(guān)的屬性。

• 局部異常因子 (LOF)

僅通過與質(zhì)心的距離來識別異常值的挑戰(zhàn)之一是，距離小集群短距離的數(shù)據(jù)點(diǎn)可能是異常值，而距離大集群看似很遠(yuǎn)的點(diǎn)可能不是。LOF 算法就是為了做出這種區(qū)分而設(shè)計(jì)的。

LOF 將異常值定義為局部密度偏差遠(yuǎn)大于其相鄰數(shù)據(jù)點(diǎn)的數(shù)據(jù)點(diǎn)（參見圖 2）。盡管與 K-means 一樣，它確實(shí)需要提前進(jìn)行一些用戶設(shè)置，但它可能非常有效。當(dāng)用作半監(jiān)督算法并僅在正常數(shù)據(jù)上進(jìn)行訓(xùn)練時(shí)，它也可以應(yīng)用于新穎性檢測。

圖 2：局部異常值因子 (LOF) 使用每個(gè)數(shù)據(jù)點(diǎn)的局部密度偏差來計(jì)算異常分?jǐn)?shù)，從而區(qū)分正常數(shù)據(jù)點(diǎn)和異常值。

以下是異常檢測的幾個(gè)用例：

• 預(yù)測性維護(hù)：大多數(shù)工業(yè)設(shè)備經(jīng)久耐用，停機(jī)時(shí)間最短。因此，可以使用的歷史數(shù)據(jù)通常很有限。因?yàn)闊o監(jiān)督 ML 即使在有限的數(shù)據(jù)集中也可以檢測到異常行為，它可以潛在地識別這些情況下的發(fā)展缺陷。在這里，它也可用于車隊(duì)管理，提供缺陷預(yù)警，同時(shí)最大限度地減少需要審查的數(shù)據(jù)量。
• 質(zhì)量保證/檢驗(yàn)：操作不當(dāng)?shù)臋C(jī)器可能會生產(chǎn)出不合格的產(chǎn)品。無監(jiān)督機(jī)器學(xué)習(xí)可用于監(jiān)控功能和流程以標(biāo)記任何異常情況。與標(biāo)準(zhǔn) QA 流程不同，它可以在沒有標(biāo)簽和培訓(xùn)的情況下做到這一點(diǎn)。
• 圖像異常的識別：這在醫(yī)學(xué)成像中特別有用，可以識別危險(xiǎn)的病理。
• 網(wǎng)絡(luò)安全：網(wǎng)絡(luò)安全的最大挑戰(zhàn)之一是威脅在不斷變化。在這種情況下，通過無監(jiān)督 ML 進(jìn)行異常檢測可能非常有效。一種標(biāo)準(zhǔn)的安全技術(shù)是監(jiān)控?cái)?shù)據(jù)流。如果通常向其他組件發(fā)送命令的 PLC 突然開始接收來自非典型設(shè)備或 IP 地址的穩(wěn)定命令流，這可能表示入侵。但是，如果惡意代碼來自受信任的來源（或不良行為者欺騙受信任的來源）怎么辦？無監(jiān)督學(xué)習(xí)可以通過在接收命令的設(shè)備中尋找非典型行為來檢測不良行為者。
• 測試數(shù)據(jù)分析：測試在設(shè)計(jì)和生產(chǎn)中都起著至關(guān)重要的作用。所涉及的兩個(gè)最大挑戰(zhàn)是所涉及的數(shù)據(jù)量巨大，以及在不引入固有偏見的情況下分析數(shù)據(jù)的能力。無監(jiān)督機(jī)器學(xué)習(xí)可以解決這兩個(gè)挑戰(zhàn)。當(dāng)測試團(tuán)隊(duì)甚至不確定他們在尋找什么時(shí)，它在開發(fā)過程或生產(chǎn)故障排除中可能是一個(gè)特別的好處。

降維

機(jī)器學(xué)習(xí)基于大量數(shù)據(jù)，而且通常數(shù)量非常巨大。可以篩選到十個(gè)到幾十個(gè)特征的數(shù)據(jù)集是一回事。具有數(shù)千個(gè)特征的數(shù)據(jù)集（它們肯定存在）可能是壓倒性的。因此，ML 的第一步可以是降維以將數(shù)據(jù)減少到最有意義的特征。

用于降維、模式識別和數(shù)據(jù)探索的常用算法是主成分分析 (PCA)。對該算法的詳細(xì)討論超出了本文的范圍。可以說它可以幫助識別相互正交的數(shù)據(jù)子集，即它們可以從數(shù)據(jù)集中刪除而不影響主要分析。PCA 有幾個(gè)有趣的用例：

• 數(shù)據(jù)預(yù)處理：談到機(jī)器學(xué)習(xí)，人們常說的理念是越多越好。也就是說，有時(shí)更多就是更多，特別是在無關(guān)/冗余數(shù)據(jù)的情況下。在這些情況下，無監(jiān)督機(jī)器學(xué)習(xí)可用于刪除不必要的特征（數(shù)據(jù)維度），加快處理時(shí)間并改善結(jié)果。在視覺系統(tǒng)的情況下，無監(jiān)督機(jī)器學(xué)習(xí)可用于降噪。
• 圖像壓縮：PCA 非常擅長降低數(shù)據(jù)集的維數(shù)，同時(shí)保留有意義的信息。這使得該算法非常擅長圖像壓縮。
• 模式識別：上面討論的相同功能使 PCA 可用于面部識別和其他復(fù)雜圖像識別等任務(wù)。

無監(jiān)督機(jī)器學(xué)習(xí)并不比監(jiān)督機(jī)器學(xué)習(xí)更好或更差。對于正確的項(xiàng)目，它可能非常有效。也就是說，最好的經(jīng)驗(yàn)法則是保持簡單，因此通常僅在監(jiān)督機(jī)器學(xué)習(xí)無法解決的問題上使用無監(jiān)督機(jī)器學(xué)習(xí)。

思考下面是幾個(gè)問題，以確定哪種機(jī)器學(xué)習(xí)方式最適合您的項(xiàng)目：

• 問題是什么？
• 什么是商業(yè)案例？量化的目標(biāo)是什么？該項(xiàng)目將多快帶來投資回報(bào)？這與監(jiān)督學(xué)習(xí)或其他更傳統(tǒng)的解決方案相比如何？
• 有哪些類型的輸入數(shù)據(jù)可用？你有多少？它與您要回答的問題相關(guān)嗎？是否有已經(jīng)產(chǎn)生標(biāo)記數(shù)據(jù)的流程，例如，是否有識別有缺陷產(chǎn)品的 QA 流程？是否有記錄設(shè)備故障的維修數(shù)據(jù)庫？
• 它適合無監(jiān)督機(jī)器學(xué)習(xí)嗎？

最后，這里有一些技巧可以幫助確保成功：

• 在開始項(xiàng)目之前做好功課并制定策略。
• 從小處著手，以較小的規(guī)模解決錯(cuò)誤。
• 請確保解決方案是可擴(kuò)展的，您應(yīng)該不會希望最終陷入試點(diǎn)項(xiàng)目的煉獄。
• 考慮與合作伙伴合作。所有類型的機(jī)器學(xué)習(xí)都需要專業(yè)知識。尋找合適的工具和合作伙伴來實(shí)現(xiàn)自動化。不要重新發(fā)明輪子。您可以付費(fèi)在內(nèi)部培養(yǎng)必要的技能，也可以將您的資源用于提供您最擅長的產(chǎn)品和服務(wù)，同時(shí)讓合作伙伴和生態(tài)系統(tǒng)處理繁重的工作。

在工業(yè)環(huán)境中收集的數(shù)據(jù)可能是一種寶貴的資源，但只有在適當(dāng)利用的情況下。無監(jiān)督機(jī)器學(xué)習(xí)可以成為分析數(shù)據(jù)集以提取可操作見解的強(qiáng)大工具。采用該技術(shù)可能具有挑戰(zhàn)性，但它可以在充滿挑戰(zhàn)的世界中提供顯著的競爭優(yōu)勢。