Oct, 2022

基于自编码器的工业冷却系统异常检测和故障定位

PDF
TL;DR本研究基于自编码器综合考虑多变量时间序列数据中的异常检测及根本原因分析，通过总重构误差和局部重构误差判别冷却系统故障位置并结合专家知识进行根本原因分析，针对 34 个传感器 8 个月数据在冷却系统单元上进行了探究，并且对比验证结果表明自编码器方法能够稳定而且鲁棒性高地检测冷却系统中的异常。
发现论文，激发创造
  • 高性能计算系统中的自编码器异常检测

    这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

    Nov, 2018

  • 动力发电厂异常检测中的标签辅助自编码器

    提出了基于标签辅助的自动编码器模型用于发现发电厂燃料消耗的异常，检测准确率为 97.20％，可以根据程度对异常进行分类，相较于已有模型较优。

    Feb, 2023

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • 基于自编码器的 CMS 电磁量能器的在线数据质量监测异常检测系统

    通过使用半监督机器学习的实时自编码器异常检测系统，可以快速识别、定位和诊断可能影响物理数据质量的 CMS 电磁量能器的各种问题，同时利用时间依赖性演化和探测器响应的空间变化，最大程度提高异常检测性能，该系统在 2018 年和 2022 年的 LHC 碰撞数据中进行了验证，并且在 LHC Run 3 开始阶段将自编码器系统部署在 CMS 在线数据质量监测工作流中的初步结果表明其可以检测到现有系统所错过的问题。

    Sep, 2023

  • 物联网中基于自编码器神经网络的分布式异常检测

    本文首次将自编码神经网络引入到无线传感器网络中，提出一种基于两部分算法的分布式检测机制，可高效识别各种设备故障和未知现象，并在实际测试中获得了高检测精度和低误报率，同时具备适应非平稳环境的非监督学习特性。

    Dec, 2018

  • 使用 Transformer 自编码器进行业务流程的异常修正

    基于 Transformer 自编码器的业务过程异常修正方法能够高效处理任意长度的事件序列，并且可以直接输出修正后的业务过程实例，从而适应各种场景，通过自监督学习将异常检测转化为分类问题，无需设置特定阈值，在确保高运行效率的同时，在异常检测准确性和异常修正结果方面优于以往方法。

    Apr, 2024

  • S2DEVFMAP: 基于双集成投票融合的自监督学习框架用于时间序列中最大化异常预测

    通过使用五个异构独立模型与双集成融合投票技术，该工作提出了一种新颖而强大的方法来进行异常检测，以提高工业冷却系统数据的可靠性和性能，实验结果表明该方法具有很高的准确性和可靠性。

    Apr, 2024

  • 基于编码器 - 解码器的异常检测自动化天线测试

    本研究提出使用吸收材料记录辐射电磁场并通过条件编码器 - 解码器 AI 评估生成热图像序列的新方法，进行天线阵列的故障检测。研究表明，在低级图案下，基于轮廓的异常检测可以将重构误差矩阵映射到异常评分，以提高分类 F-M 度量达 46％。

    Nov, 2021

  • 基于自编码器的制造质量控制与无监督类别选择

    基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

    Sep, 2023

  • 使用深度自动编码器网络检测大规模会计数据中的异常

    本研究使用深度自编码神经网络进行高效的会计异常检测，实验结果表明，此方法在比基准方法下有更少的误报率且能捕捉高度相关的会计异常。

    Sep, 2017