用于发电厂异常检测的标签辅助自编码器
机器学习
2023-02-07 v1 人工智能
摘要
驱动国家经济发展并保证其工业可持续性的关键因素之一是电力的持续可用性。这通常由国家电网提供。然而,在包括电信行业在内的企业不断涌现的发展中国家,仍然经历着不稳定的电力供应。因此,它们必须依靠发电机来保证其全部功能。如果不进行适当监控,这些依赖燃料运行的发电机通常消耗率会很高。监控操作通常由(非专业)人类执行。在某些情况下,这可能是一个乏味的过程,因为一些公司报告了异常高的消耗率。本工作提出了一种标签辅助自编码器,用于发电厂燃料消耗的异常检测。除了自编码器模型外,我们还添加了一个标签辅助模块,用于检查观测样本是否被标记,并在给定阈值的情况下利用该标签验证相应异常分类的真实性。随后就是否停止训练、是否更新阈值或是否继续训练以搜索超参数达成共识。结果表明,所提出的模型在读取异常方面具有极高的效率,检测准确率为 ,优于在同一数据集上训练的现有模型 的准确率。此外,所提出的模型能够根据异常的严重程度对其进行分类。
引用
@article{arxiv.2302.02896,
title = {Label Assisted Autoencoder for Anomaly Detection in Power Generation Plants},
author = {Marcellin Atemkeng and Victor Osanyindoro and Rockefeller Rockefeller and Sisipho Hamlomo and Jecinta Mulongo and Theophilus Ansah-Narh and Franklin Tchakounte and Arnaud Nguembang Fadja},
journal= {arXiv preprint arXiv:2302.02896},
year = {2023}
}
备注
Submitted to Journal