含网络攻击模拟的多元工业时间序列：基于 LSTM 预测数据模型的故障检测
机器学习
2016-12-28 v2 机器学习
摘要
我们采用了一种基于 LSTM 神经网络的方法来监控和检测工业多元时间序列数据中的故障。为验证该方法，我们创建了一个真实汽油厂部分的 Modelica 模型。通过向 Modelica 模型的逻辑中引入黑客攻击，我们能够生成工厂中故障行为的根源和原因。拥有一个带有标记故障的自洽数据集后，我们使用带有预测误差阈值的 LSTM 架构来获得精确率和召回率质量指标。我们考虑了质量指标对阈值水平的依赖性。引入了一种如“单手柄”的适当机制，用于过滤掉工厂操作员兴趣范围之外的故障。
引用
@article{arxiv.1612.06676,
title = {Multivariate Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using an LSTM-based Predictive Data Model},
author = {Pavel Filonov and Andrey Lavrentyev and Artem Vorontsov},
journal= {arXiv preprint arXiv:1612.06676},
year = {2016}
}
备注
Accepted at NIPS Time Series Workshop 2016, Barcelona, Spain, 2016. Reference update in this version, https://sites.google.com/site/nipsts2016/NIPS_2016_TSW_paper_10.pdf?attredirects=0&d=1