基于注意力卷积自编码器的信任增强风险评估方法: ABCD
机器学习
2024-04-26 v1 人工智能
摘要
工业系统的异常检测对于预防设备故障、识别风险以及维护整体系统效率至关重要。传统监控方法常依赖固定阈值和经验规则，这些方法可能不够灵敏，以致无法检测系统健康状态的细微变化，进而难以预测即将发生的故障。为此，本文提出一种新颖的基于注意力的卷积自编码器（ABCD）用于风险检测，并将风险值映射到维护计划中。ABCD 从实际工业冷却系统的历史数据中学习其正常行为，通过重构输入数据来识别偏离预期模式的异常。该框架还采用校准技术以确保其预测的可靠性。评估结果表明，ABCD 中引入注意力机制后，性能提升 57.4%，误报率降低 9.37%。该方法能够有效检测风险，将风险优先级映射到维护，从而为制冷系统设计者和操作人员提供有价值的见解。校准误差为 0.03%，表明模型已校准良好，显著提升了模型的可信度，使决策者能够就维护策略做出明智的决策。
引用
@article{arxiv.2404.16183,
title = {ABCD: Trust enhanced Attention based Convolutional Autoencoder for Risk Assessment},
author = {Sarala Naidu and Ning Xiong},
journal= {arXiv preprint arXiv:2404.16183},
year = {2024}
}