端到端复杂系统中因果异常的检测与排序
机器学习
2024-05-06 v2
摘要
随着技术的快速发展，大型工厂的自动化监控系统变得越来越重要。通过收集大量机器传感器数据，我们可以有多种方式发现异常。我们认为自动化监控系统的真正核心价值在于识别并追踪问题的原因。寻找因果异常最著名的方法是 RCA，但存在许多不可忽视的问题。它们使用自回归外生（AutoRegressive eXogenous, ARX）模型建立时不变关联网络作为机器画像，然后利用该画像通过一种称为故障传播的方法追踪因果异常。利用 ARX 建立的关联网络描述机器行为存在两个主要问题：（1）未考虑状态的多样性；（2）未分别考虑具有不同时滞的关联。基于这些问题，我们提出了一个称为端到端系统因果异常排序（Ranking Causal Anomalies in End-to-End System, RCAE2E）的框架，其完全解决了上述提及的问题。在实验部分，我们使用合成数据与现实世界大规模光电工厂数据来验证我们方法假设的正确性与存在性。
引用
@article{arxiv.2301.07281,
title = {Detecting and Ranking Causal Anomalies in End-to-End Complex System},
author = {Ching Chang and Wen-Chih Peng},
journal= {arXiv preprint arXiv:2301.07281},
year = {2024}
}