.png){kind=icon}
返回
A Multi-Working States Sensor Anomaly Detection Method Using Deep Learning Algorithms
.png){kind=icon}
OA
AI
DOI：10.3390/s25185686.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从传感器收集的数据易受异常数据的影响。这些异常可能源于传感器故障或通信不良。在数据处理之前，必须检测并从大量正常数据中隔离异常数据。基于数据驱动的方法用于传感器异常检测与隔离时，常面临数据标注不足的困境。一方面，传感器获取的数据通常包含零或少量故障样本，且这些故障难以从大量原始数据中手动识别。此外，机器在运行过程中其运行状态可能发生改变，可能导致传感器测量行为的不同。然而，机器的运行状态也未被明确标注。为解决两个领域缺乏标注数据的挑战，本文提出了一种基于LSTM（长短期记忆）网络的传感器异常检测与隔离方法。为预测下一时间步的传感器测量值，利用先前时间步的行为来考虑不同运行状态的影响。LSTM网络的输入基于小数据集训练的预测误差进行选择，以提高预测精度并减少冗余传感器的影响。利用预测数据与测量数据之间的残差来判断是否检测到异常。该方法使用来自矿山运行卡车的真实数据集进行评估。结果表明，采用输入选择方法的所提网络能够在实验中准确检测漂移和失速异常。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
A Machine-Learning Architecture for Sensor Fault Detection, Isolation, and Accommodation in Digital Twins.png)
IEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏分享收藏Optimization of Edge-PLC-Based Fault Diagnosis With Random Forest in Industrial Internet of Things
PREAI
分享收藏A Neural Network Based Sensor Validation Scheme for Heavy-Duty Diesel Engines基于神经网络的重型柴油发动机传感器验证方案
PREAI
分享收藏Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural NetworkProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏Simple and Robust Current Sensor Fault Detection and Compensation Method for 3-Phase InvertersIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容