面向工业物联网时序数据的异常检测方法OA北大核心CSTPCD

作为第四次工业革命重要基石,工业互联网将孤立的工业系统转化为连接的网络,是数字产业化的重要拓展方向,工业物联网环境中的异常检测对自动化决策具有重要意义。针对现有大多数方法未能有效地考虑传感器间复杂的未知拓扑关系以及工业物联网时序数据内在的不同尺度模式导致异常检测精度有待提升的问题,提出了一种面向工业物联网时序数据的多尺度时空特征融合无监督异常检测方法MSTSAD,构建了一种新颖的双向时空特征提取模块依次捕获多个时间序列之间的相关性和双向依赖性。设计了多尺度门控时间卷积神经网络自适应地提取时间序列的多尺度时序特征,并引入双仿射实现多尺度时序特征和时空特征的交叉融合,增强模型对原始数据的特征提取。提出了结合对抗训练的变分自编码器来放大异常的重构误差并增强模型对训练数据噪声的抗干扰能力,提高了模型对异常数据的区分能力。在GPW、ECG5000、Occupancy和SWaT四个公开数据集上与五种先进方法进行了对比实验,实验结果表明,MSTSAD的F1分数提升了0.015~0.047。