已发表 精选论文
基于物理先验贝叶斯特征优化的半监督工业异常检测
Physically-informed Bayesian feature optimization for semi-supervised industrial anomaly detection
作者
Jianshe Feng, Jianyu Zhang, Shen Yin, Fanyu Qi, Jiawei Li
发表期刊
Measurement Science and Technology
发表年份
2026
研究领域
制造过程智能监控关键词
半监督学习 贝叶斯方法 异常检测 物理机理融合
摘要
工业现场异常样本与标签稀缺，纯数据驱动方法易受工况漂移与噪声干扰。本文将物理机理先验注入贝叶斯特征优化过程，在少量标签条件下实现对制造过程微弱异常的可靠检测。
研究概述
制造过程产生高维、高速的流式时序数据，而异常标签滞后且稀缺。如何在小样本、半监督条件下融合物理机理实现稳健的异常监测，是先进制程质量监控的关键问题。
研究方法
将物理先验知识引入贝叶斯特征优化框架，对时序特征空间进行机理约束下的搜索与选择，并结合半监督学习利用大量无标签生产数据，提升模型对微弱异常的敏感性与工况漂移下的稳定性。
实验结果
在精密制造实际产线数据上验证了方法对微弱异常的检测能力，相较纯数据驱动基线在小样本条件下取得了更优的检测性能与更强的可解释性。
结论
该方法为标签稀缺条件下的工业异常检测提供了机理与数据融合的可行路线，是实验室"制造过程智能监控"方向的代表性成果之一。