Exploiting available condition monitoring data of industrial machines for intelligent maintenance purposes has been attracting attention in various application fields. Machine learning algorithms for fault detection, diagnosis and prognosis are popular and easily accessible. However, our experience in working at the intersection of academia and industry showed that the major challenges of building an end-to-end system in a real-world industrial setting go beyond the design of machine learning algorithms. One of the major challenges is the design of an end-to-end data management solution that is able to efficiently store and process large amounts of heterogeneous data streams resulting from a variety of physical machines. In this paper we present the design of an end-to-end Big Data architecture that enables intelligent maintenance in a real-world industrial setting. In particular, we will discuss various physical design choices for optimizing high-dimensional queries, such as partitioning and Z-ordering, that serve as the basis for health analytics. Finally, we describe a concrete fault detection use case with two different health monitoring algorithms based on machine learning and classical statistics and discuss their advantages and disadvantages. The paper covers some of the most important aspects of the practical implementation of such an end-to-end solution and demonstrates the challenges and their mitigation for the specific application of laser cutting machines.

中文翻译：

---

用于智能维护的大数据架构：专注于查询处理和机器学习算法

利用用于智能维护目的的工业机器的可用状态监视数据已经在各个应用领域引起了关注。用于故障检测，诊断和预后的机器学习算法非常流行，并且易于使用。但是，我们在学术界和行业界的工作经验表明，在现实世界的工业环境中构建端到端系统的主要挑战超出了机器学习算法的设计范围。主要挑战之一是端到端数据管理解决方案的设计，该解决方案能够有效地存储和处理由各种物理机器产生的大量异构数据流。在本文中，我们介绍了端到端大数据体系结构的设计，该体系结构可在现实世界的工业环境中实现智能维护。特别是，我们将讨论用于优化高维查询（例如分区和Z排序）的各种物理设计选择，这些选择将作为健康分析的基础。最后，我们基于机器学习和经典统计数据，描述了一种具有两种不同健康监控算法的具体故障检测用例，并讨论了它们的优缺点。本文涵盖了这种端到端解决方案的实际实施中的一些最重要方面，并论证了激光切割机的特殊应用所面临的挑战及其缓解。我们将讨论用于优化高维查询（例如分区和Z排序）的各种物理设计选择，这些选择将作为健康分析的基础。最后，我们基于机器学习和经典统计数据，描述了一种具有两种不同健康监控算法的具体故障检测用例，并讨论了它们的优缺点。本文涵盖了这种端到端解决方案的实际实施中的一些最重要方面，并论证了激光切割机的特殊应用所面临的挑战及其缓解。我们将讨论用于优化高维查询（例如分区和Z排序）的各种物理设计选择，这些选择将作为健康分析的基础。最后，我们基于机器学习和经典统计数据，描述了一种具有两种不同健康监控算法的具体故障检测用例，并讨论了它们的优缺点。本文涵盖了这种端到端解决方案的实际实施中的一些最重要方面，并论证了激光切割机的特殊应用所面临的挑战及其缓解。我们基于机器学习和经典统计数据描述了一种具有两种不同健康监控算法的具体故障检测用例，并讨论了它们的优缺点。本文涵盖了这种端到端解决方案的实际实施中的一些最重要方面，并论证了激光切割机的特殊应用所面临的挑战及其缓解。我们基于机器学习和经典统计描述了一种具有两种不同健康监控算法的具体故障检测用例，并讨论了它们的优缺点。本文涵盖了这种端到端解决方案的实际实施中的一些最重要方面，并论证了激光切割机的特定应用所面临的挑战及其缓解。