Abstract: A. Hatipouglu, E. Yilmaz (2026)

Accurate anomaly detection in rotating machinery under noisy conditions remains challenging in Prognostics and Health Management (PHM). Existing deep learning autoencoders and attention mechanisms rely primarily on data-driven similarity measures and fail to explicitly incorporate nonlinear dynamical characteristics of degradation. In this study, we propose a Recurrence Quantification Analysis-Aware Attention (RQAA) framework that systematically injects chaos-theoretic descriptors into the attention mechanism of LSTM-based autoencoders for unsupervised anomaly detection. Specifically, RQA metrics including recurrence rate, determinism, laminarity, entropy, and trapping time are computed at the window level and embedded into the query-key-value attention scoring to guide the model toward dynamically informative temporal patterns. Three attention variants are developed to investigate different fusion strategies between learned representations and RQA-driven structural cues. The proposed framework is evaluated on three widely used bearing vibration datasets, which are IMS, CWRU, and HUST. Experimental results demonstrate that RQAA consistently outperforms conventional LSTM autoencoders and classical attention-based models, achieving up to 99.85% F1-score and 99.00% AUC while exhibiting superior robustness in low signal-to-noise scenarios. Further analysis reveals that explicit dynamical guidance enhances anomaly separability and reduces false alarms, particularly in early-stage fault detection. These findings indicate that integrating nonlinear dynamical information directly into attention scoring offers a principled and effective pathway for advancing unsupervised anomaly detection in rotating machinery and safety-critical industrial systems.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

A Comparative Study of RQA-Guided Attention Mechanisms with LSTM Autoencoder for Bearing Anomaly Detection