Детальная информация

Данная работа посвящена обнаружению аномалий в вибрационных сигналах промышленного оборудования. Проведён сравнительный анализ классических методов (Isolation Forest, One-Class SVM) и методов глубокого обучения (Автокодировщик, LSTM-AE). Показано, что LSTM-AE превосходит другие модели на наборе данных IMS, достигая F-beta score 0.9713. Разработан прототип системы обнаружения аномалий с веб-интерфейсом и поддержкой подключения промышленного протокола OPC UA.

This work is devoted to the detection of anomalies in the vibration signals of industrial equipment. A comparative analysis of classical methods (Isolation Forest, One-Class SVM) and deep learning methods (Autoencoder, LSTM-AE) is carried out. It is shown that the LSTM-AE surpasses other models on the IMS dataset, reaching an F-beta score of 0.9713. A prototype anomaly detection system has been developed with a web interface and support for connecting the OPC UA industrial protocol.