基于 LSTM 的编码器-解码器用于多传感器异常检测
人工智能
2016-07-12 v2 机器学习
机器学习
摘要
诸如发动机、车辆、飞机等机械设备通常配备大量传感器以捕捉机器的行为和健康状况。然而，经常存在传感器未捕捉到的外部因素或变量，导致时间序列本质上不可预测。例如，手动控制和/或未监测的环境条件或负载可能导致本质上不可预测的时间序列。使用基于依赖平稳性的数学模型的标准方法，或利用预测误差来检测异常的预测模型，在此类场景中检测异常变得具有挑战性。我们提出了一种基于长短期记忆网络的编码器-解码器异常检测方案（EncDec-AD），该方案学习重建“正常”时间序列行为，然后利用重建误差来检测异常。我们在三个公开的准可预测时间序列数据集上进行了实验：电力需求、航天飞机和心电图，以及两个具有可预测和不可预测行为的真实世界发动机数据集。我们表明 EncDec-AD 具有鲁棒性，可以从可预测、不可预测、周期性、非周期性和准周期性时间序列中检测异常。此外，我们表明 EncDec-AD 能够从短时间序列（长度小至 30）以及长时间序列（长度大至 500）中检测异常。
引用
@article{arxiv.1607.00148,
title = {LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection},
author = {Pankaj Malhotra and Anusha Ramakrishnan and Gaurangi Anand and Lovekesh Vig and Puneet Agarwal and Gautam Shroff},
journal= {arXiv preprint arXiv:1607.00148},
year = {2016}
}
备注
Accepted at ICML 2016 Anomaly Detection Workshop, New York, NY, USA, 2016. Reference update in this version (v2)