工业 5.0 中的多变量时间序列异常检测
机器学习
2025-03-21 v1
摘要
工业 5.0 环境对有效的异常检测方法提出了关键需求，这些方法可以指示设备故障、工艺效率低下或潜在安全风险。不断增加的传感器化使得工厂流程更加可观测，但也带来了持续分析海量多变量时间序列数据的挑战。这些挑战包括数据质量问题——数据可能包含噪声、未标记或甚至错误标记。一个有前景的做法是将嵌入模型与其他机器学习算法组合，以提高检测异常的整体性能。此外，将时间序列表示为向量具有诸多优势，如更高的灵活性和 improved ability to capture complex temporal dependencies。我们在真实的工业用例中测试了我们的解决方案，使用来自博纳吉利公司的 Bonfiglioli 工厂的数据。结果表明，与传统的基于重构的自编码器相比，后者在存在间歇性噪声时常常难以应对，而我们的基于嵌入的框架在各种噪声条件下都保持了高性能。
引用
@article{arxiv.2503.15946,
title = {Multivariate Time Series Anomaly Detection in Industry 5.0},
author = {Lorenzo Colombi and Michela Vespa and Nicolas Belletti and Matteo Brina and Simon Dahdal and Filippo Tabanelli and Elena Bellodi and Mauro Tortonesi and Cesare Stefanelli and Massimiliano Vignoli},
journal= {arXiv preprint arXiv:2503.15946},
year = {2025}
}