船舶运行异常检测的海事行业经验：利用轻量级可解释模型增强的深度学习
机器学习
2025-01-28 v2
摘要
本研究展示了一项行业经验，提出了一种船舶运行异常检测方法，该方法利用半监督深度学习模型并辅以轻量级可解释代理模型，应用于一艘名为 TUCANA 的工业传感器化船舶。我们利用在正常运行数据上训练的标准自编码器和长短期记忆（LSTM）自编码器，并使用真实的异常揭示数据进行测试。随后，我们将推理结果投影到由 t-分布随机邻域嵌入（t-SNE）生成的低维数据地图上，以此作为无监督基线并展示已识别异常的分布。我们还利用随机森林和决策树开发了轻量级代理模型，以提高深度学习模型推理结果的透明度和可解释性，协助工程师敏捷评估标记的异常。该方法使用来自 TUCANA 的真实数据进行了实证评估。实证结果显示，LSTM 自编码器作为异常检测模块具有更高的性能，能有效捕捉数据中的时间依赖性；同时证明了轻量级代理模型在提供有益可解释性方面的实用性，从而提高了工程师决策的效率。
引用
@article{arxiv.2401.00112,
title = {A Maritime Industry Experience for Vessel Operational Anomaly Detection: Utilizing Deep Learning Augmented with Lightweight Interpretable Models},
author = {Mahshid Helali Moghadam and Mateusz Rzymowski and Lukasz Kulas},
journal= {arXiv preprint arXiv:2401.00112},
year = {2025}
}