工业信息物理系统细粒度自适应异常诊断的无监督时空状态估计

准确检测和诊断来自多变量时间序列（MTS）的网络攻击等异常行为，对于确保工业信息物理系统（CPS）的稳定有效运行至关重要。然而，现有研究很少关注系统工作状态之间的逻辑依赖关系，且难以解释异常信号的演化机制。为了揭示工业 CPS 工作状态的时空关联关系和演化机制，本文提出了一种细粒度自适应异常诊断方法（即 MAD-Transformer），用于识别和诊断 MTS 中的异常。MAD-Transformer 首先构建一个时间状态矩阵，以表征和估计系统状态在时间维度上的变化模式。随后，为了更好地定位异常，还构建了一个空间状态矩阵，以捕捉系统内传感器间的状态相关关系。在此基础上，设计了一个系列 - 时间 - 空间注意力模块的三分支结构，以同时捕捉 MTS 中的系列、时间和空间依赖关系。之后，构建三个相关的对齐损失函数和一个重构损失以联合优化模型。最后，通过比较残差矩阵与原始矩阵来确定和诊断异常。我们在跨越三个应用领域（服务监控、空间与地球勘探、水处理）的五个公开数据集以及我们自行收集的石油炼制仿真数据集上进行了对比实验。结果表明，MAD-Transformer 能够自适应地检测持续时间短的细粒度异常，并且在噪声鲁棒性和定位性能方面优于最先进的基线方法。