汽车无监督异常检测CAN传感器时间序列使用小反复和卷积神经网络
Yann Cherdo1,2, Benoit Miramond2, Alain Pegatoquet2
1Renault Software Labs, 2600 Route des Crêtes, Sophia Antipolis, 06560 Valbonne, France.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
本研究引入了高效的机器学习模型,用于使用传感器数据检测汽车异常. 优化的模型可以将计算成本降低高达60%,同时保持性能,帮助预测性维护.
科学领域:
- 机器学习 机器学习
- 异常检测检测异常检测
- 汽车工程 汽车工程
背景情况:
- 互联和电动汽车产生大量传感器数据,需要先进的分析方法.
- 预测性维护对于确保车辆安全和可靠性至关重要.
- 无监督异常检测非常适合来自车辆传感器的复杂,多维时间序列数据.
研究的目的:
- 开发和评估用于汽车应用的紧,高效的无监督异常检测模型.
- 为了降低嵌入式汽车系统的机器学习算法的计算成本.
- 为了将检测到的异常与特定的车辆变量相关联.
主要方法:
- 利用循环和卷积神经网络在现实汽车传感器数据 (控制器区域网络总线) 上进行无监督异常检测.
- 采用最先进的方法,将时间序列预测与基于预测错误的异常检测相结合.
- 专注于创建更小,计算成本更低的异常探测器,而不会影响性能.
主要成果:
- 通过显著较小的神经网络预测器实现了可比的异常检测性能.
- 模型参数减少了高达23%,计算减少了高达60%.
- 引入了一种方法来将特定变量与使用检测器输出和标签识别的异常相关联.
结论:
- 紧,高效的无监督异常检测模型是可行的汽车预测维护.
- 可以实现计算资源的显著减少,使模型适合嵌入式系统.
- 拟议的方法通过允许变量相关性来提高异常检测的解释性.
