基于两阶段自编码器的大规模流体处理厂多元时间序列异常检测
机器学习
2022-05-23 v1
摘要
本文关注具有动态部件的大规模流体处理厂（如发电、水处理与化工厂）中多元时间序列数据的异常检测，此类场景中来自多种物理现象的信号被同时观测。在这些工厂中，鉴于熟练工程师数量下降与人力短缺，为降低运维成本，对异常检测技术的需求日益增长。然而，考虑到高维信号的复杂行为与可解释性需求，这些技术构成重大挑战。我们引入两阶段自编码器（TSAE）作为一种适用于此类工厂的异常检测方法。这是一种简单的自编码器架构，可使异常检测更具可解释性与更高准确性：基于工厂信号可分离为两个彼此几乎无相关行为的假设，信号被逐步分离为长期与短期分量，且两个分量独立训练以提升对正常信号的推断能力。通过在两个公开的水处理系统数据集上实验，我们确认了高检测性能、该假设的有效性，以及模型行为符合预期，即 TSAE 的技术有效性。
引用
@article{arxiv.2205.09924,
title = {Anomaly Detection for Multivariate Time Series on Large-scale Fluid Handling Plant Using Two-stage Autoencoder},
author = {Susumu Naito and Yasunori Taguchi and Kouta Nakata and Yuichi Kato},
journal= {arXiv preprint arXiv:2205.09924},
year = {2022}
}
备注
The 2nd Workshop on Large-scale Industrial Time Series Analysis at the 21st IEEE International Conference on Data Mining (ICDM), 2021