蒸汽涡轮异常检测：基于增强型长短期记忆变分自编码器的无监督学习方法
机器学习
2024-11-19 v1 信号处理
摘要
作为核热电站的核心设备，蒸汽涡轮在面临停机、维护和损坏等中断时会产生重大费用和不利影响。准确的异常检测是确保蒸汽涡轮安全稳定运行的前提。然而，包括内在异常、缺乏时序信息分析以及高维数据复杂性等挑战，限制了现有方法的有效性。为解决这些挑战，我们提出了一种用于无标签数据集上精确无监督异常检测的增强型长短期记忆变分自编码器方法（ELSTMVAE-DAF-GMM）。具体而言，使用将LSTM与VAE集成的LSTMVAE将高维时序数据投影到低维相空间。采用深度自编码器-局部离群因子（DAE-LOF）样本选择机制消除训练中的内在异常，进一步提高模型的精度和可靠性。新型深度高级特征（DAF）将潜在嵌入和重建差异从LSTMVAE模型中混合，提供更全面的数据表示，显著增强了异常检测，通过协同作用时序动力学和数据模式变化。将这些DAF整合到GMM中，以确保稳健且有效的无监督异常检测。我们利用行业蒸汽涡轮的实际运行数据进行比较和消融实验，结果表明该方法在高准确率和最小误报率方面优于现有方法。
引用
@article{arxiv.2411.10765,
title = {Steam Turbine Anomaly Detection: An Unsupervised Learning Approach Using Enhanced Long Short-Term Memory Variational Autoencoder},
author = {Weiming Xu and Peng Zhang},
journal= {arXiv preprint arXiv:2411.10765},
year = {2024}
}