量子科技中心_量科网

生产设备的维护在制造业中至关重要。通常，机器学习模型会基于紧密附着在设备上的传感器数据进行训练。但随着机器数量的增加，计算成本会迅速增长。在实践中，异常通常由操作人员通过听觉感知来识别，这严重依赖经验和直觉。特别是在振动分析中，自回归模型系数与一类支持向量机相结合被用于检测异常。在该工作中，该研究团队探索了用量子核替代一类支持向量机中经典核的效果。研究采用了两种实验设置：第一种涉及微型赛车轨道，赛车经过一片魔术贴区域以产生异常声音，并使用麦克风进行记录；第二种涉及开放式皮带传动，在特定时间插入筷子以产生压碎声，模拟突发异常。研究结果显示，量子核相比经典高斯（RBF）核具有明显优势。在微型赛车轨道数据集上，量子核实现了0.82的准确率和F1分数，而RBF核分别仅为0.64和0.39。对于压碎装置，量子核实现了完美的准确率和F1分数（1.00），而RBF核仅达到0.64的准确率和0.43的F1分数。这些发现表明，量子核能提高对包括周期性和脉冲性异常在内的多种异常声音模式的分类准确性。