Détection d'anomalies dans les données industrielles de séries temporelles multivariées intégrant des mécanismes d'attention et un entraînement adversarial

Résumé Pour répondre aux défis rencontrés dans la détection d'anomalies industrielles, notamment l'impréparation des échantillons de données, le manque d'étiquettes d'anomalies et les relations spatiotemporales complexes dans des données de haute dimension, cet article propose un nouveau modèle de détection d'anomalies de séries temporelles multimodales qui combine des mécanismes d'attention et un entraînement adversarial. Dans ce modèle, la première étape consiste à utiliser des mécanismes d'attention de graphe pour extraire des caractéristiques de corrélation de séquence à partir de données de séries temporelles multimodales, qui sont ensuite additionnées aux données originales pour former une représentation de données fondée sur des caractéristiques duales. Ensuite, une approche d'apprentissage auto-supervisé est utilisée pour introduire cette représentation de données dans le réseau d'encodage-décodage d'un autoencodeur variationnel pour reconstruction. La détection d'anomalies est réalisée en analysant l'erreur entre les données d'entrée et les données reconstruites. Le modèle utilise également des mécanismes d'attention spatiotemporelle et un entraînement adversarial durant la reconstruction pour améliorer l'extraction de caractéristiques et la généralisation du modèle. En comparant notre modèle proposé à cinq modèles de base couramment utilisés, nous démontrons son efficacité à détecter des anomalies dans des scénarios impliquant des données de haute dimension et des échantillons anormaux déséquilibrés, démontrant une performance de détection d'anomalies supérieure, ainsi qu'une excellente performance sur des ensembles de données de production et de traitement industriel réels.