工业复杂时间序列的无监督异常检测：一个真实案例研究
机器学习
2026-04-16 v1
摘要
来自真实生产环境的工业时间序列数据显示出显著高于常用基准数据集的复杂度，主要源于异构的、多阶段的运营过程。因此，经过简化条件验证的异常检测方法往往难以在工业环境中推广。本工作提出了对来自全功能工业机器设备的唯一数据集的实证研究，显式捕获显著的过程引起的变异性。我们评估了哪些模型类别能够捕获这种复杂度， starting with a经典的Isolation Forest基准并扩展到多个自编码器架构。实验结果表明，Isolation Forest不足以建模数据中存在的非周期性、多尺度动力学，而自编码器表现更好。在其中，时间卷积自编码器实现了最鲁棒的性能，而循环和变分变体需要更谨慎的调参。
引用
@article{arxiv.2604.13928,
title = {Unsupervised Anomaly Detection in Process-Complex Industrial Time Series: A Real-World Case Study},
author = {Sergej Krasnikov and Lukas Meitz and Samineh Bagheri and Michael Heider and Thorsten Schöler and Jörg Hähner},
journal= {arXiv preprint arXiv:2604.13928},
year = {2026}
}