通过LSTM-GPT2融合网络在两个尺度学习:时间序列异常检测的混合方法

科学领域:

• 机器学习 机器学习
• 工业监控 工业监控 工业监控
• 时间序列分析时间序列分析

背景情况:

• 在工业多变量时间序列 (MTS) 数据中检测异常 (AD) 对于机械健康监测至关重要.
• 由于系统的复杂性和环境变化,工业MTS通常含有噪音.
• 现有的AD方法往往忽略了隐性空间,只关注原始数据空间.

研究的目的:

• 提出一种新的深度学习神经网络,LGFN,用于在MTS中检测异常.
• 为了有效地检测MTS的原始输入空间和潜伏空间中的异常.
• 提高工业机械异常检测的准确性和效率.

主要方法:

• 开发了一个多级特征提取和数据重建的深度学习神经网络 (LGFN).
• 设计LGFN来分析原始输入空间和学习潜伏空间中的异常.
• 在五个公共MTS数据集上对五种已建立的AD方法进行了比较实验.

主要成果:

• 拟议的LGFN方法在多个数据集中实现了最先进的或可比的性能.
• 与基于GPT-2的AD方法相比,LGFN显示出更高的空间效率.
• 废弃研究证实了LGFN架构中的每个模块的重要贡献.

结论:

• 在杂的工业MTS中,LGFN为异常检测提供了强大而高效的解决方案.
• 分析原始和潜在空间显著提高了AD的性能.
• 开发的方法为关键工业机械的损害估计和监测提供了有价值的工具.