标签
本文提出了一种用于机械故障检测的对抗逆向强化学习框架，该框架从正常运行数据中学习健康奖励，无需故障标签，在多个基准测试中实现了一致的检测性能。
本文介绍了PASE，一个神经符号框架，利用LLM为云系统生成结构化的恢复计划，并通过神经符号世界模型进行验证，可减少超过40%的恢复时间。
本文介绍了卡尔曼原型网络（KPN），一种用于联合循环燃气轮机故障检测的少样本学习框架。KPN将类原型建模为潜在随机状态以降低方差，并在模拟泄漏检测任务上优于传统方法。
一项基准研究，在三个公开数据集上对比了传统机器学习方法（随机森林、XGBoost、SVM、逻辑回归）与轻量级Transformer变体（DistilBERT、TinyBERT、MobileBERT）在设备端故障检测中的表现。传统机器学习在远小得多的资源占用下实现了有竞争力的准确率，而TinyBERT-4L是最便于部署的Transformer模型。
本文提出一种基于LSTM自编码器的离线异常检测框架，用于电液静压执行器（EHA），在传感器数据上实现了平均99.0%的准确率和较高的召回率，优于传统方法。
TPA-AD 是一种用于轴承时间序列异常检测的两阶段伪异常引导方法，利用重建模型和对比学习在正常边界附近生成伪异常窗口，再通过 KNN 对异常进行评分——训练过程中无需真实异常样本。该方法在轴承故障和退化数据集上进行了评估，包括高速列车轴箱轴承数据。
本文介绍了CAFD，一种基于学习的DNN故障检测方法，它整合了基于模型、基于距离以及一种新颖的基于概念的特征——概念失败率（CFR），该特征源自视觉语言模型。CAFD在多个数据集和预算下的故障检测率方面持续优于最先进的基线方法。