高维过程漂移检测基准评估方法
原文中文，约300字，阅读约需1分钟。发表于：。本研究旨在解决制造过程中多元有限时间序列数据中的过程漂移检测问题。提出了一种理论框架，用于在受控条件下合成生成过程曲线，从而评估机器学习算法的性能。研究发现，所提出的时间曲线下的面积评价指标显著提升了检测漂移段的准确性，为后续应用提供了重要参考。
本研究评估了制造业和工业环境中时序分类任务的SoTA ML和DL算法的性能，结果显示ResNet、DrCIF、InceptionTime和ARSENAL是性能最好的算法，准确率超过96.6％。这些算法展示了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外，LSTM、BiLSTM和TS-LSTM算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。
