本論文では、従来のセンサーデータによる工業プロセス監視における課題を解決するため、画像ベースの畳み込みクラスタリングを用いた新しい枠組みを提案しています。従来法ではラベルが不足しており、動的で非構造的なデータを扱うことが難しい中、本手法は時間的な生データをグレースケール行列に変換し、深層畳み込みオートエンコーダーによる特徴抽出を行うことで、運用モードを無監督で発見します。さらに、ソフトおよびハードクラスタリングの出力を統合し、二段階の戦略で選択を洗練します。3900件以上の鋳物溶解操作に適用した結果、エネルギー消費、熱動力学、製造期間における7つの説明可能な運用パターンを特定しました。提案された手法は、クラスicalクラスタリングや深層クラスタリングと比較して、優れた性能と堅牢性を示しており、工業システムのデータ駆動型診断およびエネルギー最適化に対する一般的な解決策を提供します。