工业 4.0 带来了信息处理行业的颠覆，但也带来了网络安全方面的挑战，特别是针对德国中小企业。为了应对日益增长的网络威胁，研究项目 IUNO Insec 旨在提供和改进无需专业安全知识即可使用的安全解决方案。本论文介绍了 IUNO Insec 项目和作者提供的面向工业环境的机器学习型入侵检测等方面的贡献。

May, 2019

在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

Jan, 2024

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

该研究提出了一种深度学习驱动的异常检测系统，结合可解释的机器学习模型，用于识别工业传感器化船舶 TUCANA 中的性能异常，该系统不仅提高了安全性、效率和可持续性，还推动了成本有效和智能化的海上交通运输的新时代。

Dec, 2023

通过物联网设备获取工业设备退化现象的数据，并设计数据驱动模型进行异常检测，为建立预测性维护策略提供初步步骤。在研究中，通过组合低计算成本的预处理技术和机器学习模型，展示了一个用于泵、压缩机、风扇和其他工业机器中感应电机的异常检测系统。利用快速傅里叶变换 (FFT)、小波变换 (WT) 和分箱等预处理技术从原始数据中提取特征，通过多目标优化和分析选择表现最佳的模型，并验证了终端到终端的解决方案。

Oct, 2023

数字孪生可以与预测性维护相结合，以解决挑战并推进自动化预测性维护应用的发展。

Jun, 2024

通过评估现有的预测性维护方法并提出创新性框架，本研究介绍一种基于人工智能和工业互联网的智能化维护框架，包括概率可靠性建模和深度学习等最新机器学习算法，并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。

Sep, 2020

本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

Jan, 2021

利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

Dec, 2023

本文介绍了一种基于扩散模型的工业 4.0 实时异常预测方法，并采用神经符号方法将工业本体论集成到模型中，为智能制造添加形式化知识。最后，提出了一种简单而有效的方式来通过随机傅里叶特征将扩散模型压缩到一个嵌入式系统中，以直接集成到制造过程中。

Jul, 2023