Simultaneously anomaly detection and forecasting for predictive maintenance using a zero-cost differentiable architecture search-based network
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».