SauSinSan/Load-Conditioned-Cross-Sensor-Anomaly-Detection-for-Predictive-Maintenance

# 🚀 面向工业 4.0 的负载感知异常检测     ## 📌 概述 工业齿轮箱是制造系统中的关键资产。意外故障可能会导致昂贵的停机时间和安全风险。 本项目提出了一种**负载条件跨传感器矛盾引擎 (CSE)**，它结合了： * 基于特征的 Autoencoder * 负载感知 Correlation Baseline Grid (CBG) * 跨传感器矛盾评分 * 可解释 AI * 实时流式仿真 该框架能够检测齿轮箱故障，同时减少误报并提供可解释的维护建议。 ## 🎯 目标 * 在发生灾难性故障之前检测出齿轮箱故障。 * 减少误报的维护警报。 * 将运行负载纳入异常检测中。 * 解释导致检测到的异常的具体传感器对。 * 支持实时工业部署。 ## 🏭 数据集 **数据集：** SpectraQuest 齿轮箱故障检测数据集 ### 数据集特征 | 属性 | 取值 | | ---------------- | --------------------------- | | 设备 | 工业齿轮箱 | | 故障类型 | 断齿 / 裂纹齿 | | 传感器 | 4 个 Accelerometer | | 速度 | 30 Hz | | 负载水平 | 0% – 90% | | 文件数 | 20 | | 生成的窗口数 | 15,769 | | 正常窗口数 | 7,926 | | 断裂窗口数 | 7,843 | ## ⚙️ 方法论 ### 步骤 1：数据加载 * 加载原始振动信号 * 验证数据完整性 * 整理正常和故障样本 ### 步骤 2：探索性数据分析 * 时域分析 * FFT 分析 * 功率谱密度 * 跨传感器相关性分析 ### 步骤 3：特征提取 滑动窗口方法： * 窗口大小：256 * 步长：128 提取的特征： ### 时域 * RMS * Peak-to-Peak * Crest Factor * Kurtosis * Skewness * Standard Deviation ### 频域 * Spectral Centroid * 低频带能量比 * 高频带能量比 总特征数： **每个窗口 36 个特征** ## 🧠 提出的架构 ### 基线 基于特征的 Autoencoder * 仅在正常样本上进行训练 * 学习正常运行行为 * 将重构误差用作异常分数 ### 新组件 1 ### Correlation Baseline Grid (CBG) * 负载感知 Baseline * 6 个传感器对 * 10 种运行负载 * 仅使用正常数据构建 ### 新组件 2 ### Contradiction Score Engine (CSE) 衡量以下两者之间的差异： 预期传感器相关性 对比 观测到的传感器相关性 加权矛盾分数与 Autoencoder 重构误差进行融合。 ### 新组件 3 ### 可解释性模块 提供： * 主要矛盾传感器对 * 故障类别 * 运行负载 * 维护建议 ### 新组件 4 ### 门控 EMA 自适应 Baseline * 支持长期部署 * 适应运行漂移 * 防止异常污染 ## 🔄 项目 Pipeline ``` Raw Sensor Data │ ▼ Data Loading │ ▼ EDA & Correlation Analysis │ ▼ Sliding Window Feature Extraction │ ▼ Feature Autoencoder │ ├──────────────┐ ▼ │ Correlation Baseline Grid │ │ ▼ ▼ Contradiction Score Engine │ ▼ Score Fusion │ ▼ Explainability Engine │ ▼ Real-Time Fault Detection ``` ## 📊 实验结果 | 方法 | 准确率 | F1 Score | FPR | | ---------------------- | ---------- | ---------- | --------- | | Isolation Forest | 29.87% | 28.24% | 4.48% | | Feature Autoencoder | 99.19% | 99.52% | 4.48% | | 仅矛盾检测 (Contradiction Only) | 81.68% | 87.71% | 3.09% | | CBG + AE (α = 0.5) | 95.51% | 97.25% | 3.47% | | **CBG + AE (α = 0.7)** | **98.65%** | **99.19%** | **3.53%** | ### 主要成就 * 99.19% 的 F1 Score * 减少 21.2% 的误报 * 负载感知异常检测 * 跨传感器可解释性 * 实时部署能力 ## 📁 仓库结构 ``` Load-Aware-Anomaly-Detection/ │ ├── Figures/ ├── Notebooks/ ├── Readme/ ├── Utils/ ├── .gitignore └── README.md ``` ## 💻 使用的技术 * Python * NumPy * Pandas * Matplotlib * Scikit-learn * TensorFlow / Keras * Jupyter Notebook ## 🔬 研究贡献 * 负载感知 Correlation Baseline Grid * 跨传感器 Contradiction Score Engine * 可解释的预测性维护 * 自适应 EMA Baseline 更新 * 兼容流式的异常检测 ## 🚀 未来工作 * 支持变速机械 * Edge AI 部署 * Digital Twin 集成 * 多故障分类 * 在线自适应学习 ## 👨‍💻 作者 **Saurabh S. Sankhla** 计算机科学与工程硕士 (AI & ML) Vellore Institute of Technology ## 📜 许可证 本项目仅供学术和研究目的使用。

标签：Apex, NoSQL, 可解释AI, 工业4.0, 异常检测, 机器学习, 自编码器, 逆向工具, 预测性维护