EngineAD：一个真实车辆发动机异常检测数据集
机器学习
2026-03-30 v1
摘要
异常检测（AD）在交通运输等安全关键领域的进展受到缺乏大规模真实世界基准的严重制约。为解决这一问题，我们引入了 EngineAD，这是一个新颖的多变量数据集，包含来自 25 辆商用车辆在六个月期间采集的高分辨率传感器遥测数据。与合成数据集不同，EngineAD 包含带有专家标注的真实运行数据，区分正常状态与发动机故障的细微早期迹象。我们将数据预处理为 300 步长、8 个主成分的片段，并使用九个不同的单类异常检测模型建立了初始基准。我们的实验揭示了车辆队列中显著的性能差异，强调了跨车辆泛化的挑战。此外，我们的结果印证了近期文献，表明简单的经典方法（如 K-Means 和 One-Class SVM）在基于片段的评估中往往与深度学习方法具有同等竞争力，甚至更优。通过公开发布 EngineAD，我们旨在为汽车工业开发鲁棒且可部署的异常检测与异常预测解决方案提供一个真实且具有挑战性的资源。
引用
@article{arxiv.2603.25955,
title = {EngineAD: A Real-World Vehicle Engine Anomaly Detection Dataset},
author = {Hadi Hojjati and Christopher Roth and Rory Woods and Ken Sills and Narges Armanfard},
journal= {arXiv preprint arXiv:2603.25955},
year = {2026}
}
备注
12 pages, 2 figures