.png){kind=icon}
返回
Bearing Semi-Supervised Anomaly Detection Using Only Normal Data
.png){kind=icon}
OA
AI
DOI：10.3390/app152010912.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轴承是普遍存在的机械部件。监测和诊断其状态对于可靠运行至关重要。机器学习技术现已成为异常检测的常用工具。我们关注一种较少使用的设置，尽管这是一种非常自然的设置：用于训练的数据仅来自正常行为，因为故障种类繁多且无法全部模拟。这种设置属于半监督学习，目的是获得一种能够区分正常数据和故障数据的方法。我们专注于凯斯西储大学（CWRU）数据集，因为它与轴承行为相关。我们研究了多种方法，其中一种基于字典学习（DL）的方法和另一种使用图全变分的方法表现突出；前者在异常检测中较少使用，而后者是一种新算法。我们发现，与局部因子离群值（LOF）结合使用时，这些算法能够在两种场景下近乎完美地识别异常：在原始时域数据上，以及在对它们提取的特征上。
Keyword:
anomaly detection
bearing
dictionary learning
total variation regularization
semi-supervised learning
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
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Intelligent Fault Diagnosis With Noisy Labels via Semisupervised Learning on Industrial Time Series基于工业时间序列半监督学习的噪声标签智能故障诊断
PREAI
分享收藏A Semi-Supervised Approach to Bearing Fault Diagnosis under Variable Conditions towards Imbalanced Unlabeled Data.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Semi-Supervised Transfer Learning Method for Bearing Fault Diagnosis with Imbalanced DataMachines
OAAI
MachinesIF0
OAAI分享收藏Deep Representation Clustering of Multitype Damage Features Based on Unsupervised Generative Adversarial NetworkIEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
查看更多内容