Mit der weit verbreiteten Verfügbarkeit von Sensordaten in Industrie und Industrie
Betriebssysteme, Wir stoßen häufig auf heterogene Zeitreihen aus
mehrere Systeme. Die Erkennung von Anomalien ist für solche Systeme von entscheidender Bedeutung
vorausschauende Wartung. Jedoch, Die meisten vorhandenen Methoden zur Anomalieerkennung sind
Entwickelt für univariate oder multivariate Einzelsystemdaten, sie herstellen
für diese komplexen Szenarien nicht ausreichend. Um dies anzugehen, wir stellen vor
M$^2$AD, ein Framework für die unbeaufsichtigte Anomalieerkennung in multivariater Zeit
Seriendaten aus mehreren Systemen. M$^2$AD verwendet tiefe Modelle zur Erfassung
erwartetes Verhalten unter normalen Bedingungen, Verwendung der Residuen als Indikatoren für
mögliche Anomalien. Diese Residuen werden dann zu einer globalen Anomalie zusammengefasst
Bewertung durch ein Gaußsches Mischungsmodell und eine Gammakalibrierung. Wir theoretisch
zeigen, dass dieser Rahmen Heterogenität effektiv angehen kann und
Abhängigkeiten zwischen Sensoren und Systemen. Empirisch, M$^2$AD übertrifft
bestehende Methoden in umfangreichen Auswertungen durch 21% durchschnittlich, und es ist
Die Wirksamkeit wird anhand einer groß angelegten Fallstudie aus der Praxis demonstriert 130
Vermögenswerte in Amazon-Versandzentren. Unser Code und unsere Ergebnisse sind unter verfügbar
https://github.com/sarahmish/M2AD.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: