.png){kind=icon}
返回
Graph embedded patch-sense autoencoder with prior knowledge for multi-component system anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2024.110784.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对于大型集成系统，高效异常检测在监控复杂设备方面至关重要。多组件间的相互依赖关系阻碍了在多元时间序列中建立对系统决策的信任。在本工作中，我们提出了一种嵌入先验知识图谱的补丁感知自编码器（GEPAE），旨在实现大型系统中的无监督异常检测，并为异常定位提供参考。所提方法通过学习多源正常状态数据来实现高效且可靠的异常检测。与逐点重建和评估不同，所提方法在编码模块中采用单元级补丁嵌入，在解码模块中进行补丁校正，旨在通过学习补丁间的全局关系来保留数据结构信息。随后，通过补丁嵌入结果的混合高斯密度估计来执行系统决策和组件异常定位。同时，将物理实体结构和多传感器部署的先验知识进行泛化并用于模型，以获得令人信服的决策。所提方法在液体火箭发动机系统的两个真实数据集和地铁列车传动系统的两个故障模拟数据集上进行了测试，有前景的结果证明了其有效性和通用性。
Keyword:
Fault diagnosis
Anomaly detection
Liquid rocket engine
Autoencoder
Prior knowledge
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Multiple Convolutional Recurrent Neural Networks for Fault Identification and Performance Degradation Evaluation of High-Speed Train Bogie基于多卷积递归神经网络的高速列车转向架故障识别与性能退化评估
PREAI
分享收藏FGDAE: A new machinery anomaly detection method towards complex operating conditionsFGDAE: 一种面向复杂工况的机械异常检测新方法
OAAI
OAAI分享收藏AEKD: Unsupervised auto-encoder knowledge distillation for industrial anomaly detectionAEKD: 用于工业异常检测的无监督自动编码器知识蒸馏
PREAI
分享收藏Graph Convolutional Network-Based Method for Fault Diagnosis Using a Hybrid of Measurement and Prior Knowledge基于图卷积网络的测量与先验知识混合故障诊断方法
PREAI
分享收藏
分享收藏
查看更多内容