Jun, 2022

智能制造数据集上的异常检测和传感器间迁移学习

PDF
TL;DR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。
smart manufacturing systemsanomaly detectionsensor dataml-based forecasting modelspredictive maintenance
发现论文，激发创造
  • 在线自适应异常检测用于飞机装配中的缺陷识别

    在线自适应异常检测利用转移学习，选择视觉上相似的训练图像，并根据训练子集提取的 EfficientNet 特征在线拟合一个正常模型，通过计算测试图像特征与正常模型之间的马氏距离来进行异常检测，实验结果表明检测精度超过 0.975，优于现有的 ET-NET 方法。

    Jun, 2024

  • 实现传感器化船舶的智能翻新与性能异常检测：一个海运业界经验

    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

  • 基于图神经网络的增材制造现场异常检测

    本研究使用激光输入信息训练模型，预测名义激光熔化条件并计算异常得分以检测制造缺陷，显示异常检测方法是开发可靠的缺陷检测方法的重要工具。

    May, 2023

  • 智能卫星物联网系统的异常检测任务

    基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

    Mar, 2024

  • 利用物联网设备和机器学习进行工业机械异常检测：一种系统映射

    该研究通过使用物联网设备和机器学习算法对工业机械进行异常检测，对该领域进行了系统映射研究，提供了全面的研究综述，并鉴别了常用的算法、预处理技术和传感器类型，同时也指出了未来的挑战和研究机会。

    Jul, 2023

  • 工业时间序列异常检测深度迁移学习综述：方法、应用和方向

    深度迁移学习在工业过程中具有识别异常事件和优化质量的潜力，通过利用与相关任务的知识以及解决时间序列异常检测的问题来解决使用标准深度学习所需的大规模标记数据的问题，同时降低了深度学习模型设计和实现的复杂度。

    Jul, 2023

  • 基于异动检测的感应电机预测性维护模型：一种使用实时物联网数据的机器学习方法

    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

  • 利用人工神经网络构建鲁棒的缺陷传感器数据预测模型

    本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

    Apr, 2018

  • 在未来的工厂平台上获得的模拟和多模态制造数据集

    本文介绍了两个工业级数据集，这些数据集是在 2023 年 12 月 11 日和 12 日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的，目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现有数据集中稀缺的真实制造数据以及带有异常和缺陷的数据的空白，并为研究人员提供建立和训练适用于制造业的人工智能模型的基础。

    Jan, 2024

  • 深度学习时间序列异常检测综述

    本文调查了基于深度学习的时间序列异常检测的现状，提供了一种基于分类因素的分类法，并描述了每种分类法的优点和局限性，最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。

    Nov, 2022