面向工业时间序列异常检测的深度迁移学习综述：方法、应用与方向

工业过程的自动化监测有望通过及时检测异常事件从而促进及时干预，以提升效率并优化质量。深度学习凭借其在大型数据集中识别非平凡模式的能力，在这一过程中发挥着关键作用。标准深度学习方法适用于在给定特定类型数据下解决特定任务。在训练期间，深度学习需要大量标注数据。然而，由于工业过程与环境的动态性，针对每种略有差异的新情况重新获取大规模标注数据以进行标准深度学习训练是不切实际的。深度迁移学习为这一问题提供了解决方案。通过利用来自相关任务的知识并考虑数据分布的变化，迁移学习框架以极少甚至无需额外标注数据即可解决新任务。该方法避免了为每个新配置从头重新训练模型，并大幅降低了标注数据需求。本综述首先对深度迁移学习进行深入回顾，考察迁移学习的问题设定并对主流深度迁移学习方法进行分类。此外，我们深入探讨深度迁移学习在主要工业领域中广泛存在的时间序列异常检测任务中的应用，例如制造过程监测、预测性维护、能源管理与基础设施设施监测。我们讨论了工业背景下深度迁移学习的挑战与局限，并以实用的方向和可操作的建议作结，以应对在日益动态的生产环境中利用多样化时间序列数据进行异常检测的需求。