信息物理系统中的状态监测与异常检测
机器学习
2023-01-24 v1
摘要
现代工业环境正装备海量智能制造机器，其中每台设备的状态均可被连续监测。此类监测有助于识别可能的未来故障并制定具成本效益的维护计划。然而，从所采集的海量数据中以低假阳性与假阴性率实现早期检测是一项艰巨任务。这需要开发整体机器学习框架，以解决高优先级部件状态监测中的问题，并发展高效的异常检测技术以检测并可能定位故障部件。本文对信息物理系统中鲁棒、具成本效益的异常检测的近期机器学习方法进行了比较分析。尽管检测已被广泛研究，极少有研究者分析异常的定位。我们表明监督学习优于无监督算法。在监督情形下，我们取得了 98% 的近完美准确率（尤其对于基于树的算法）。相比之下，无监督情形下的最佳准确率为 63%：受试者工作特征曲线下面积（AUC）作为附加指标呈现出类似结果。
引用
@article{arxiv.2301.09030,
title = {Condition monitoring and anomaly detection in cyber-physical systems},
author = {William Marfo and Deepak K. Tosh and Shirley V. Moore},
journal= {arXiv preprint arXiv:2301.09030},
year = {2023}
}
备注
6 pages