Details

Данная работа посвящена разработке модели, способной эффективно выявлять аномалии в условиях ограниченной разметки, изменяющихся производственных условий и требований к прозрачности решений. В работе проводится анализ современных методов обнаружения аномалий, исследуется промышленный набор данных Bosch CNC Machining и разрабатывается архитектура модели, объединяющая комплексную свёртку STTF-conv и прототипическую сеть ProtoNet для классификации в режиме few-shot обучения. Для оценки устойчивости к дрейфу данных была использована стратегия кросс-валидации LeaveOneGroupOut, имитирующая работу модели с новым оборудованием. Полученные результаты демонстрируют высокую эффективность модели: точность (Accuracy) составила 96%, F1-score — 97%, Recall — 96%, Precision — 97%. Область применения результатов включает предиктивное обслуживание станков в рамках концепции Индустрии 4.0. Модель может быть интегрирована в системы мониторинга для минимизации простоев, снижения затрат на ремонт и предотвращения аварий.

This work is dedicated to developing a model capable of effectively detecting anomalies under conditions of limited labeling, changing production environments, and requirements for decision transparency. The study analyzes modern anomaly detection methods, investigates the industrial Bosch CNC Machining dataset, and develops a model architecture that combines the complex STTF-Conv convolution and the prototypical ProtoNet network for classification in a few-shot learning setting. To assess robustness against data drift, a LeaveOneGroupOut cross-validation strategy was employed to simulate the model’s performance on new equipment. The results demonstrate high effectiveness: Accuracy was 96%, F1-score — 97%, Recall — 96%, and Precision — 97%. The applicability of these results includes predictive maintenance of machine tools within the Industry 4.0 framework. The model can be integrated into monitoring systems to minimize downtime, reduce repair costs, and prevent equipment failures.

• Обнаружение аномалий в работе станков на основе машинного обучения
  • Введение
  • 1. Теоретические основы обнаружения аномалий
  • 2. Анализ исходных данных
  • 3. Реализация модели и оценка качества
  • Заключение
  • Список использованных источников
  • Приложение 1. Ссылка на репозиторий с исходным кодом
  • Приложение 2. Состав репозитория