Simultaneously anomaly detection and forecasting for predictive maintenance using a zero-cost differentiable architecture search-based network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To prevent costly failures and unplanned downtime, predictive maintenance for industrial machinery requires accurate forecasting and early anomaly recognition. This paper introduces a novel zero-cost Differentiable Neural Architecture Search framework for Vibration Analysis (DNAS-VA) that simultaneously optimizes forecasting and anomaly detection in vibration signals. The proposed approach automatically discovers the most appropriate neural network architectures by exploring a search space combining time and frequency-domain operations, including Fourier and wavelet transforms, attention mechanisms, and temporal modeling components. A Forecasting-Integrated Variational Autoencoder (FI-VAE) enhances anomaly detection by combining reconstruction error, latent space analysis, and temporal pattern assessment. The methodology employs a hierarchical training protocol to optimize both architecture search and anomaly detection performance. Experiments in real triaxial vibration data from an industrial motor demonstrate the framework’s effectiveness. The discovered architecture achieves superior forecasting performance, with mean absolute errors of 0.118–0.156 across vibration axes, and robust anomaly detection, outperforming baseline methods like Isolation Forest. Main innovations include a multi-fidelity evaluation strategy using zero-cost metrics, such as Fisher Information, correlation equal 0.90, to efficiently identify high-performing architectures without full training cycles. Latent space analysis reveals interpretable clusters corresponding to operational states, with anomalies detected at cluster boundaries. The results show that the integrated framework significantly improves predictive maintenance by enabling accurate forecasting and reliable early fault detection while reducing computational costs. The proposed method achieves state-of-the-art performance in both tasks, offering a scalable solution for industrial condition monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle