Time-EAPCR-T：面向工业设备异常检测的通用深度学习方法
机器学习
2025-03-18 v1
摘要
随着 Industry 4.0 的发展，智能制造广泛采用传感器进行实时多维数据收集，在设备监控、过程优化和效率提升中发挥着关键作用。工业数据具有多源异构、非线性、强耦合和时序相互作用等特征，同时受到噪声干扰。这些复杂性使得传统异常检测方法难以提取关键特征，影响检测准确性和稳�性。传统机器学习方法常因处理能力和泛化能力的限制，难以处理此类复杂数据，难以满足实际应用需求。虽然深度学习特征提取模块在图像和文本处理方面表现卓越，但在应用于缺乏显式关联性的多源异构工业数据时仍显不足。此外，现有的多源异构数据处理技术仍依赖于降维和特征选择，这可能导致信息丢失和难以捕获高阶相互作用。为此，本研究应用之前研究中提出的 EAPCR 和 Time-EAPCR 模型，提出新模型 Time-EAPCR-T，其中 Transformer 替代 Time-EAPCR 中时间序列处理组件的 LSTM 模块。该修改有效解决了多源数据异构性，促进了多源特征融合，增强了多源工业数据的时序特征提取能力。实验结果表明，所提方法在四个工业数据集上超越现有方法，凸显其广泛应用潜力。
引用
@article{arxiv.2503.12534,
title = {Time-EAPCR-T: A Universal Deep Learning Approach for Anomaly Detection in Industrial Equipment},
author = {Huajie Liang and Di Wang and Yuchao Lu and Mengke Song and Lei Liu and Ling An and Ying Liang and Xingjie Ma and Zhenyu Zhang and Chichun Zhou},
journal= {arXiv preprint arXiv:2503.12534},
year = {2025}
}