基于非接触声学监测的 AR 派生特征量子核异常检测用于智能制造

制造业向智能工厂演进凸显了设备维护的重大挑战，尤其是依赖大量接触式传感器进行异常检测，导致传感器复杂度和计算成本的增加。本研究探讨利用量子核提升基于非接触传感器的异常检测能力。我们假设量子特征空间的表征能力能够有效地利用更少的传感器对多类型异常进行区分。实验在两种制造设备(传送带和链条机)上进行，单irectional 麦克风置于不同距离(0-3 米)捕获音频数据。信号经自回归(AR)建模提取系数特征后，通过量子核映射到量子特征空间进行单类 SVM 分类。量子核分类器在所有距离下均实现持续的高准确率和 F1 分数(超过 0.92)，而经典方法在超过 0 米后表现显著下降。特征空间可视化显示出清晰的可分性，不同异常类型对应不同象限：传送带异常主要分布于第二象限，链条异常聚集于第四象限。这些结果表明，量子核方法能够在嘈杂的工厂环境中使用最少的非接触传感器实现稳健的多类异常检测。这标志着智能工厂在减少感知基础设施和提升维护效率方面的重大突破。本工作已获 IEEE QCE25 接受并将发表于 IEEE Xplore 数字图书馆。