基于正则化的持续学习在离散制造异常检测中的应用
机器学习
2021-01-05 v1 人工智能
神经与进化计算
摘要
对离散制造过程中出现的异常进行早期且稳健的检测，可使操作员预防危害，例如生产机械或产品中的缺陷。虽然当前数据驱动的异常检测方法在其所训练的确切工艺上提供了良好的结果，但它们往往缺乏灵活适应变化（例如产品变化）的能力。持续学习有望提供这种灵活性，允许将先前学到的知识自动适应到新任务中。因此，本文讨论了正则化策略类中的不同持续学习方法，并基于真实的工业金属成形数据集进行了实现、评估与比较。
引用
@article{arxiv.2101.00509,
title = {Regularization-based Continual Learning for Anomaly Detection in Discrete Manufacturing},
author = {Benjamin Maschler and Thi Thu Huong Pham and Michael Weyrich},
journal= {arXiv preprint arXiv:2101.00509},
year = {2021}
}
备注
6 pages, 5 figures, 3 tables, submitted to the CIRP Conference on Manufacturing Systems 2021