.png){kind=icon}
返回
Physically-informed Bayesian feature optimization for semi-supervised industrial anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae4d69.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在处理制造过程中频繁出现的批次异常问题时，本研究引入了一种新颖的半监督过程监控方法，该方法能够实现生产过程中的实时异常检测，而非事后检验。通过将基于物理信息的贝叶斯特征优化与半监督学习相结合，所提出的方法能够在异常样本稀缺的条件下捕捉批次缺陷。首先，提出了一种贝叶斯特征优化策略，用于从冗余工业信号中提取关键指标，有效弥合领域专业知识与数据驱动表示之间的差距。其次，为解决半监督学习中异常样本稀缺的挑战，建立了一个基于正常样本训练的分布外检测模型，并结合合规模型校准来确定稳健的决策阈值。所提出方法的优越性通过实际冲压和注塑成型数据集得到验证，消融研究证实了其对超参数变化的鲁棒性。结果表明，该方法在数据稀缺的工业场景中具有异常监控的潜力。
Keyword:
Bayesian feature optimization
semi-supervised learning
industrial anomaly detection
out-of-distribution detection
conformal calibration
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
分享收藏
Automated defect detection in precision forging ultrasonic images based on deep learning基于深度学习的精密锻造超声图像自动缺陷检测.png)
IF0
PREAI
分享收藏Exploitation of force displacement curves in blanking—feature engineering beyond defect detection
OAAI
OAAI分享收藏
查看更多内容