使用非接触式声学监测的AR衍生特征进行量子核异常检测在智能制造中的应用

制造业向智能工厂的演进凸显了设备维护方面的重大挑战,特别是对众多接触式传感器进行异常检测的依赖性,这导致了传感器复杂性和计算成本的增加。该研究探索了利用量子核来增强基于非接触式传感器的异常检测。该研究团队假设量子特征空间的表达能力可以有效区分多种异常类型,同时使用更少的传感器。 实验在两种制造设备上进行:输送机和链带机,在这两种设备上,单个定向麦克风被放置在不同距离(0至3米)以捕获音频数据。信号使用自回归(AR)建模进行处理,以提取基于系数的特征,然后通过量子核将这些特征映射到量子特征空间,用于一类SVM分类。 量子核分类器在所有距离上都实现了持续高精度和F1分数(超过0.92),而经典对应物在超过0米后表现出显著性能下降。特征空间的可视化显示了清晰的分离性,不同象限对应不同的异常类型:输送机异常主要分布在第二象限,链带异常则聚集在第四象限。 这些结果表明,量子核方法可以在嘈杂的工厂环境中使用最少的非接触式传感器实现稳健的多类异常检测。这代表了朝着量子增强型智能工厂的重要进展,具有减少传感基础设施和提高维护效率的特点。该工作已被IEEE QCE25接受进行展示,并将出现在IEEE Xplore数字图书馆中。
作者所在地: VIP可见
作者单位: VIP可见
页数/图表: 登录可见
提交arXiv: 2025-10-07 05:42

量科快讯