基于量子机器学习的多异常检测潜力

生产设备维护是制造业的关键环节。通常，机器学习模型是在紧密附着设备的传感器数据上训练的。然而，随着机器数量的增加，计算成本会迅速增长。实际情况下，异常情况往往通过人类操作员通过听觉感知来识别，高度依赖经验和直觉。在振动分析中，尤其是使用结合 AR 模型系数和单类 SVM 的方法来检测异常。本文探索了将单类 SVM 中的经典核函数替换为量子核函数的效果。使用了两个实验 setup。第一个涉及一个微型赛车轨道，车辆经过一段挂钩-and-loop 粘合料，以生成异常声音，这些声音使用麦克风记录。第二个涉及开放式皮带驱动，插入棒森糖以在特定时间产生碰撞声，模拟突发性异常。我们的结果表明，量子核函数相对于经典高斯 (RBF) 核函数具有明显优势。在微型赛车轨道数据集上，量子核函数实现了 0.82 的准确率和 F1 分数，分别为 RBF 核的 0.64 和 0.39。对于碰撞装置，量子核函数实现了完美的准确率和 F1 分数 (1.00)，而 RBF 核仅达到 0.64 的准确率和 0.43 的 F1 分数。这些发现表明，量子核函数能够提高对多种异常声模式的分类准确率，包括周期性和冲击性异常。