基于可靠推断注意力神经过程的工业设备异常检测方法

针对现有数据驱动模型由于简单高斯分布假设而无法有效刻画现代复杂工业设备的高维数据特征的问题，本文提出了一种基于可靠推断注意力神经过程的工业设备异常检测方法，用于学习和推断复杂工业设备高维数据的真实分布。首先，针对先验分布不可学习造成的采样孔洞问题，我们利用归一化流使模型获得了灵活且可学习的先验分布；其次，我们利用神经常微分方程实现了后验分布的平滑过渡，使得先验分布与后验分布能够得到完美匹配；最后，我们通过工业机器人异常检测(状态评估)和数控机床滚珠丝杆异常检测(状态评估)实验，验证了所提方法在真实工业场景下对工业设备异常检测的有效性和灵活性。