基于预训练时间序列模型的跨机器异常检测
机器学习
2026-04-08 v1 信号处理
摘要
实现可靠且高质量的制造业需要能够有效处理不同单个机器之间行为差异的数据驱动异常检测方法。为解决在不同单个机器上执行相同程序时，基于其传感器数据检测异常的问题，本文提出一种跨机器时间序列异常检测框架，该框架集成了领域不变特征提取器与无监督异常检测模块。利用预训练基础模型 MOMENT，特征提取器采用随机森林分类器将嵌入向量解耦为机器相关特征与条件相关特征，其中后者作为不随单个机器差异而变化的表征。这些精炼后的特征使下游异常检测器能够有效泛化至未出现的目标机器。在收集自三个执行相同操作的机器的工业数据集上实验表明，所提方法优于基于原始信号和 MOMENT 嵌入特征的基线方法，证明其在提升跨机器泛化能力方面的有效性。
引用
@article{arxiv.2604.05335,
title = {Cross-Machine Anomaly Detection Leveraging Pre-trained Time-series Model},
author = {Yangmeng Li and Kei Sano and Toshihiro Kitao and Ryoji Anzaki and Yukiya Saitoh and Hironori Moki and Dragan Djurdjanovic},
journal= {arXiv preprint arXiv:2604.05335},
year = {2026}
}
备注
20 pages, 5 figures, under review at a journal