Détection d'anomalies dans les données des capteurs à l'aide de techniques d'apprentissage en profondeur

Identifiez les anomalies et les événements en apprenant les modèles temporels des données des capteurs, sur la base de techniques d'apprentissage en profondeur.

Données temporelles capturées à partir de capteurs.

Les dispositifs mécaniques tels que les moteurs, les véhicules, les avions, etc., sont généralement équipés de nombreux capteurs pour capturer le comportement et la santé de la machine. Cependant, il existe souvent des facteurs ou des variables externes qui ne sont pas capturés par les capteurs, ce qui conduit à des séries chronologiques qui sont par nature imprévisibles. Par exemple, des contrôles manuels et/ou des conditions ou charges environnementales non surveillées peuvent conduire à des séries chronologiques intrinsèquement imprévisibles. La détection d'anomalies/d'événements dans de tels scénarios devient difficile en utilisant des approches standard basées sur des modèles mathématiques qui reposent sur la stationnarité ou des modèles de prédiction qui utilisent des erreurs de prédiction pour détecter les anomalies. LSTM-AD : Notre travail a commencé avec un réseau LSTM empilé qui a été formé sur des données non anormales et utilisé comme prédicteur sur un certain nombre de pas de temps. Les erreurs de prédiction qui en résultent sont modélisées sous la forme d'une distribution gaussienne multivariée, qui est utilisée pour évaluer la probabilité d'un comportement anormal. L'efficacité de cette approche a été démontrée sur quatre ensembles de données : ECG, navette spatiale, demande de puissance et ensemble de données de moteurs multi-capteurs. EncDec-AD : En tant qu'extension des travaux antérieurs, nous avons proposé un schéma d'encodeur-décodeur basé sur des réseaux de mémoire à long terme pour la détection d'anomalies (EncDec-AD) qui apprend à reconstruire le comportement normal des séries chronologiques, et utilise ensuite les erreurs de reconstruction pour détecter anomalies. Nous avons expérimenté trois ensembles de données de séries chronologiques quasi prévisibles accessibles au public (demande de puissance, navette spatiale et ECG) et deux ensembles de données de moteurs du monde réel avec un comportement à la fois prédictif et imprévisible. Nous avions montré qu'EncDec-AD est robuste et peut détecter des anomalies à partir de séries chronologiques prévisibles, imprévisibles, périodiques, apériodiques et quasi-périodiques. De plus, nous avons montré qu'EncDec-AD est capable de détecter des anomalies à partir de séries chronologiques courtes (longueur aussi petite que 30) ainsi que de séries chronologiques longues (longueur aussi grande que 500). AD en ligne : l'approche courante consistant à former un modèle hors ligne à l'aide de données historiques est susceptible d'échouer dans des environnements dynamiques et non stationnaires où la définition du comportement normal change avec le temps, ce qui rend le modèle non pertinent et inefficace. Nous avons décrit un modèle temporel basé sur des réseaux de neurones récurrents (RNN) pour la détection d'anomalies de séries chronologiques afin de relever les défis posés par des changements soudains ou réguliers du comportement normal. Le modèle est formé progressivement à mesure que de nouvelles données deviennent disponibles et est capable de s'adapter aux changements dans la distribution des données. RNN est utilisé pour faire des prédictions en plusieurs étapes de la série chronologique, et les erreurs de prédiction sont utilisées pour mettre à jour le modèle RNN ainsi que pour détecter les anomalies et les points de changement. Une grande erreur de prédiction est utilisée pour indiquer un comportement anormal ou un changement (dérive) du comportement normal. En outre, les erreurs de prédiction sont également utilisées pour mettre à jour le modèle RNN de manière à ce que les anomalies à court terme ou les valeurs aberrantes n'entraînent pas de changement drastique des paramètres du modèle, tandis que des erreurs de prédiction élevées sur une période de temps entraînent des mises à jour importantes du modèle. paramètres du modèle, de sorte que le modèle s'adapte rapidement à la nouvelle norme. Nous démontrons l'efficacité de l'approche proposée sur un ensemble diversifié d'ensembles de données synthétiques, accessibles au public et propriétaires du monde réel.