Selbstüberwachtes Lernen zur Anomalieerkennung in Zeitreihendaten im industriellen Internet der Dinge

Industrielle Sensoren haben sich gegenwärtig als ein sehr wichtiges Instrument zur Überwachung der Umweltbedingungen im Fertigungssystem etabliert. Allerdings kann anomales Verhalten dieser intelligenten Sensoren während des Systembetriebs Fehler oder potenzielle Risiken verursachen, was die hohe Verfügbarkeit des gesamten Fertigungsprozesses beeinträchtigen kann. Ein Anomalieerkennungstool im industriellen Überwachungssystem muss anomales Verhalten im Voraus erkennen. Kürzlich hat sich gezeigt, dass selbstüberwachtes Lernen eine vergleichbare Leistung wie andere Methoden erbringt und dabei manuell gekennzeichnete Prozesse im Training eliminiert. Darüber hinaus verringert diese Technik die Komplexität des Trainingsmodells in leichten Geräten, um die Verarbeitungszeit zu erhöhen und die Gesundheit der Geräteassets genau zu erkennen. Daher schlägt dieses Papier eine Anomalieerkennungsmethode vor, die ein selbstüberwachtes Lernframework in einem Zeitreihendatensatz verwendet, um die Modellleistung in Bezug auf hohe Genauigkeit und eine leichte Methode zu verbessern. Unter Berücksichtigung der Datenaugmentation für Zeitreihen zur Generierung von Pseudo-Labels wird ein Klassifikator unter Verwendung eines eindimensionalen Convolutional Neural Network (1DCNN) angewendet, um die Eigenschaften normaler Daten zu lernen. Der Ausgabe dieses Klassifikationsmodells misst effektiv das Ausmaß der Anomalie. Die experimentellen Ergebnisse zeigen, dass unsere vorgeschlagene Methode klassische Anomalieerkennungsmethoden übertrifft. Darüber hinaus wird die Modellbereitstellung in einem realen Testbett durchgeführt, um die Effizienz der selbstüberwachten Lernmethode zur Anomalieerkennung in Zeitreihen zu verdeutlichen.