SensorSCAN：面向化工过程故障诊断的自监督学习与深度聚类方法
机器学习
2023-11-03 v2 人工智能
摘要
现代工业设施在生产过程中产生大量原始传感器数据。这些数据用于监控和调节过程，并可被分析以检测和预测过程异常。通常，数据须由专家标注才能用于预测建模。然而，在工业环境中手动标注大量数据可能十分困难。本文中，我们提出 SensorSCAN，一种用于无监督故障检测与诊断的新方法，专为工业化工过程监控设计。我们在田纳西-伊斯曼过程的两个公开数据集上以多种故障验证了模型性能。结果表明，我们的方法显著优于现有方法（在固定 FPR 下 TPR 提升 0.2-0.3），且无需专家标注即可有效检测大多数过程故障。此外，我们表明在少量标注数据上微调的模型几乎达到在全数据集上训练的 SOTA 模型性能。我们还证明了我们的方法适用于故障数量事先未知的实际应用场景。代码见 https://github.com/AIRI-Institute/sensorscan。
引用
@article{arxiv.2208.08879,
title = {SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault Diagnosis in Chemical Processes},
author = {Maksim Golyadkin and Vitaliy Pozdnyakov and Leonid Zhukov and Ilya Makarov},
journal= {arXiv preprint arXiv:2208.08879},
year = {2023}
}