基于小波分解的无监督新颖检测方法基准测试

新颖检测是诸多工程领域的关键任务。许多新颖检测方法依赖于监督或半监督学习，这需要训练有标签的数据集。然而，当可行时获取标签数据可能昂贵且耗时。因此，无监督学习是一种强大的替代方案，允许在不需要标记样本的情况下进行新颖检测。在本研究中，对比了众多用于新颖检测的无监督机器学习算法，突出了它们在振动传感领域中的优势与不足。该提出框架使用连续度量，与大多数传统方法仅标记异常样本而不量化异常程度的方法不同。此外，收集了一个来自特定频率下振动的执行器的数据集，用于基准测试算法并评估该框架。通过改变输入波信号引入新情况。我们的发现为在实际新颖检测应用中评估无监督学习技术的适应性和鲁棒性提供了宝贵的见解。