MSDG:用于工业时间序列异常检测的多规模动态图形神经网络

科学领域:

• 工业物联网和传感器网络
• 机器学习用于时间序列分析.
• 图形神经网络用于异常检测.

背景情况:

• 工业设施产生大量实时传感器数据,具有固有的时间序列和空间相关性.
• 现有的图形神经网络 (GNN) 模型往往无法同时捕捉传感器数据中的动态时空依赖.
• 需要先进的异常检测方法,能够处理工业操作数据中的复杂,多尺度的相关性.

研究的目的:

• 开发一种新的多尺度动态图神经网络 (MSDG),用于在工业传感器数据中进行强大的异常检测.
• 解决现有模型在捕捉时间和空间跨越的同时动态相关性的局限性.
• 在关键的工业环境中提高异常检测的准确性和可靠性.

主要方法:

• 采用多尺度的滑动窗口机制来处理各种时间尺度上的传感器数据.
• 设计了一个动态图形神经网络架构,用于在多变量传感器数据中建模复杂的时空依赖关系.
• 通过重建传感器数据序列并分析重建错误来进行异常检测.

主要成果:

• 拟议的MSDG模型在三个真实世界的公共数据集中在异常检测方面表现出卓越的性能.
• 多尺度方法有效地捕获了传感器数据中的短期和长期依赖.
• 动态图形结构成功模拟了传感器之间的不断变化的时空关系.

结论:

• 通过有效处理动态时空相关性,MSDG模型为工业传感器数据的异常检测提供了显著的进步.
• 与传统方法相比,拟议的方法提供了对操作数据的更全面的理解.
• 通过可靠的异常识别,MSDG是一种有前途的技术,可以提高工业操作的安全性和效率.