CASSAD:用于输送带空头的染色增强半监督异常检测

科学领域:

• 机械工程 机械工程
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 输送机置机对于工业效率至关重要,但它们的维护是具有挑战性的.
• 传统的故障检测方法需要大量的标记数据,在工业环境中很难获得这些数据.
• 错误的稀有性和劳动密集型标签阻碍了监督学习方法.

研究的目的:

• 提出一种新的半监督异常检测方法,用于输送机置机故障检测.
• 为应对有限的标签数据在工业故障诊断的挑战.
• 开发一个强大的系统,以最少的标记示例来识别置异常.

主要方法:

• 开发了基于一级SVM (OC-SVM) 的增半监督异常检测 (CASSAD) 方法.
• 从静止声中提取色特征 (CENS,CQT,chroma STFT),使用平均值和标准偏差降低复杂性.
• 通过添加白色高斯噪声 (AWGN) 增强数据集,并将性能与局部异常因素 (LOF) 和隔离森林 (iForest) 进行比较.

主要成果:

• 在工业置声数据集上,CASSAD实现了96%的曲线下面面积 (AUC) 和91%的准确性.
• 拟议的方法显著优于基线自动编码器和其他传统异常检测模型.
• 证明了强大的异常检测能力,即使使用最小的标记数据.

结论:

• 在具有有限标记数据集的行业中,CASSAD为输送机置器故障检测提供了实用和有效的解决方案.
• 该方法依赖于半监督学习,使其适合于现实世界的工业应用.
• 突出了声音分析与先进的机器学习相结合的潜力,用于预测性维护.