Brownian-Inspired Neural Networks for Explainable Edge Vibration Anomaly Detection
Rattachement africain : fr. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Embedded vibration sensors enable real-time anomaly detection in remote and resource-constrained environments, yet existing methods often lack adaptability and interpretability. We propose a physics-informed Brownian-inspired neural network that models cumulative vibration features as stochastic trajectories and introduces Stochastic Brownian activation (SABA). Unlike standard activations, SABA embeds Brownian statistics to yield bounded, adaptive, and explainable responses directly linked to mechanical principles of vibrations. A lightweight architecture demonstrates effective preliminary results on real data collected from sensitive infrastructures, providing calibrated anomaly scores suitable for embedded deployment. This work opens a new direction by combining stochastic physics with efficient edge AI for interpretable vibration anomaly detection.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
Où se fait cette recherche
-
Université de Technologie de Troyes stochastique pays non établi dans la noticeUniversité ou école supérieure
-
Paris - Artifeel (France) pays non établi dans la noticeInstitution
-
DSI - Data Science Institute (EUt+) pays non établi dans la noticeStructure de recherche
stochastique — Université de Technologie de Troyes, Paris - Artifeel (France) et DSI - Data Science Institute (EUt+).
Une affiliation ne permet pas de déduire la nationalité d’un auteur.