基于自编码器的工业冷却系统异常检测与可解释故障定位
机器学习
2022-10-18 v1 人工智能
摘要
由于高数据维度、传感器记录不一致以及缺乏标签，大型工业冷却系统中的异常检测极具挑战性。此类系统中自动化异常检测的最先进方法通常依赖专家知识和阈值。然而，数据被孤立地看待，复杂的多变量关系被忽视。在本工作中，我们提出了一种基于自编码器的端到端异常检测工作流，适用于大型工业冷却系统中的多变量时间序列数据，包括基于专家知识的可解释故障定位和根因分析。我们使用总重构误差（包含所有传感器信号的自编码器重构误差）上的阈值来识别系统故障。对于故障定位，我们计算个体重构误差（每个传感器信号的自编码器重构误差），从而识别对总重构误差贡献最大的信号。专家知识通过查找表提供，支持根因分析并分配到受影响的子系统。我们在一个包含34个传感器、历时8个月的冷却系统单元中展示了我们的发现，使用4折交叉验证方法，并基于领域专家提供的阈值自动创建标签。使用4折交叉验证，我们达到了0.56的F1分数，而自编码器结果显示出比自动创建标签（CS为0.62）更高的一致性分数（CS为0.92）——表明异常以非常稳定的方式被识别。主要异常由自编码器和自动创建标签发现，并被记录在日志文件中。此外，可解释故障定位以非常一致的方式突出了主要异常中受影响最大的组件。
引用
@article{arxiv.2210.08011,
title = {Autoencoder based Anomaly Detection and Explained Fault Localization in Industrial Cooling Systems},
author = {Stephanie Holly and Robin Heel and Denis Katic and Leopold Schoeffl and Andreas Stiftinger and Peter Holzner and Thomas Kaufmann and Bernhard Haslhofer and Daniel Schall and Clemens Heitzinger and Jana Kemnitz},
journal= {arXiv preprint arXiv:2210.08011},
year = {2022}
}
备注
accepted at phme 2022