В настоящее время растет распространение данных в области промышленной телеметрии, и соответственно, для улучшения стратегий поиска аномалий в производственных циклах необходимо пересматривать и оптимизировать стратегии их поиска. В машинном обучении существует множество алгоритмов для поиска аномалий во временных рядах. С помощью методов машинного обучения можно обнаружить различные закономерности неисправности оборудования и затем предотвратить выход из строя машины. Однако отдельные алгоритмы могут давать ложные результаты в различных наборах данных, и ни один алгоритм не может работать оптимально во всех сценариях. В рамках этого исследования представлен сравнительный анализ алгоритмов машинного обучения без учителя для поиска аномалий в производственных циклах. В исследовании используются плотностные, геометрические методы, ансамбли машинного обучения.
