面向 ARRONAX C70XP 环流棒数据的时间序列异常检测的混合自编码器-孤立森林方法
机器学习
2026-03-24 v1
摘要
ARRONAX 公众兴趣小组的 C70XP 环流棒用于医学和科研应用的放射同位素生产，依赖于复杂且成本高昂的系统，容易发生故障，导致运行中断。在此背景下，本研究旨在开发一种基于机器学习的方法，从传感器测量值的时间窗口中进行早期异常检测，以提升系统性能。孤立森林 (IF) 是最广为人知的异常检测方法，因其有效性和可扩展性而备受推崇。然而，其依赖轴平行分割的特性限制了对轻微异常的检测能力，尤其是发生在正常数据均值附近的异常。本研究提出了一种混合方法，将全连接自编码器 (AE) 与 IF 结合，以增强对轻微异常的检测。具体而言，使用 AE 重构的传感器数据均方误差 (MCE) 作为 IF 模型的输入。该方法在经验证的质子束强度时间序列数据上，显示出明显的检测性能提升，实验结果已予以证实。
引用
@article{arxiv.2603.20335,
title = {Hybrid Autoencoder-Isolation Forest approach for time series anomaly detection in C70XP cyclotron operation data at ARRONAX},
author = {F Basbous and F Poirier and F Haddad and D Mateus},
journal= {arXiv preprint arXiv:2603.20335},
year = {2026}
}