.png){kind=icon}
返回
Clusterwise Representation Learning for Robust Battery Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3459-3_15.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电池供电系统对于工业产品的连续运行至关重要，需要可靠的异常检测以维持系统可靠性。传统检测方法在从长时非平稳数据中提取特征以及处理电池监测时间序列的高度不平衡性方面往往存在困难。为解决这些挑战，我们提出了一种适用于不平衡电池数据的无监督异常检测框架CRLBAD（用于电池异常检测的聚类式表示学习）。CRLBAD通过表示学习自动提取语义特征，然后采用DBI优化的层次聚类对样本空间进行划分，从而缓解数据不平衡问题并实现更有效的离群点识别。在每个聚类簇内，使用最先进的无监督异常检测算法来检测异常电池。在真实数据集上的实验结果表明，CRLBAD能够有效识别所有异常，并获得更优的AUC-ROC和AUC-PR分数，验证了其有效性。
Keyword:
Anomaly detection
Batteries power supply system
Time series representation learning
Hierarchical clustering
期刊
A
IF:
0
论文数:
28
被引数:
0
机构
引用论文
Generic and Scalable Framework for Automated Time-series Anomaly Detection.png)
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
A multi-fault diagnostic method based on an interleaved voltage measurement topology for series connected battery packs基于交错式电压测量拓扑的串联电池组多故障诊断方法
PREAI
分享收藏
查看更多内容