Diese Arbeit untersucht das Maß an Redundanz innerhalb von Chargen von Sensorsignalen. Das explizite Ziel besteht darin, die Reaktion des Systems auf die Inaktivität einer oder mehrerer Sensor-Einheiten zu bewerten. Darüber hinaus erforscht diese Arbeit die Anwendbarkeit und Machbarkeit verschiedener maschineller Lernalgorithmen zur Klassifizierung des Zustands der analysierten Maschine auf der Grundlage von Chargen von Beschleunigungsdaten. Die Redundanz in den Daten wird durch die Quantifizierung der inhärenten Dimensionsabdeckung gemessen Basierend auf dem Ergebnis kann die Dimensionalität der Daten reduziert werden. Mögliche Permutationen des Verlusts einer oder zwei der sechs verfügbaren Sensor Einheiten werden im Zusammenhang mit der verbleibenden Dimensionsabdeckung analysiert. Dies gibt einen Hinweis darauf, mit welcher Sicherheit Analysen auf Grundlage der reduzierten Daten bewertet werden können.
Darüber hinaus werden mehrere mögliche überwachte maschinelle Lernalgorithmen identifiziert, die zur Mehrklassenklassifizierung in der Lage sind, und deren Anwendbarkeit auf die gelabelten Datenchargen bewertet wird. Eine Reihe vielversprechender Klassifikationsmethoden wurden identifiziert und auf jede Datencharge angewendet. Die erfolgreiche Klassifizierung wird durch die Messung der Vorhersagegenauigkeit jeder Methode, der Anzahl der korrekt identifizierten Maschinenzustände und der Trainingszeit jeder Methode einschließlich der Optimierung ihrer Hyperparameter quantifiziert.
Die Ergebnisse beider Prozesse zeigen eine Robustheit gegenüber dem Verlust von Sensoren innerhalb des Systems, unabhängig von deren räumlicher Lage, sowie einige vielversprechende maschinelle Lernklassifikationsalgorithmen, die in der Lage sind, den Zustand der Maschine zu identifizieren.