Temporal Convolution-based Hybrid Model Approach with Representation Learning for Real-Time Acoustic Anomaly Detection

要約

産業機械コンポーネントの潜在的な故障を早期に検出することは、動作の信頼性と安全性を確保し、それによって機械状態監視 (MCM) を維持するために最も重要です。
この研究では、リアルタイム音響異常検出への革新的なアプローチを導入することで、この緊急課題に取り組んでいます。
私たちの手法は、半教師あり時間畳み込みと表現学習、およびハイブリッド モデル戦略と時間畳み込みネットワーク (TCN) を組み合わせて、音響データで見つかったさまざまな複雑な異常パターンを効果的に処理します。
提案されたモデルは、この分野で確立された研究と比較して優れたパフォーマンスを実証し、このアプローチの有効性を強調しています。
その優位性の定量的証拠を提示するだけでなく、t-SNE プロットなどの視覚的表現も使用して、モデルの有効性をさらに実証します。

要約(オリジナル)

The early detection of potential failures in industrial machinery components is paramount for ensuring the reliability and safety of operations, thereby preserving Machine Condition Monitoring (MCM). This research addresses this imperative by introducing an innovative approach to Real-Time Acoustic Anomaly Detection. Our method combines semi-supervised temporal convolution with representation learning and a hybrid model strategy with Temporal Convolutional Networks (TCN) to handle various intricate anomaly patterns found in acoustic data effectively. The proposed model demonstrates superior performance compared to established research in the field, underscoring the effectiveness of this approach. Not only do we present quantitative evidence of its superiority, but we also employ visual representations, such as t-SNE plots, to further substantiate the model’s efficacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google