Détection d'anomalies dans les séries temporelles pour les systèmes cyber-physiques via l'identification de systèmes neuronaux et le filtrage bayésien

Les avancées récentes dans les technologies AIoT ont conduit à une popularité croissante de l'utilisation d'algorithmes d'apprentissage automatique pour détecter des pannes opérationnelles dans les systèmes cyber-physiques (CPS). Dans sa forme de base, un module de détection d'anomalies surveille les mesures des capteurs et les états des actionneurs de l'usine physique, et détecte les anomalies dans ces mesures pour identifier un statut opérationnel anormal. Néanmoins, construire des modèles de détection d'anomalies efficaces pour les CPS est plutôt difficile car le modèle doit détecter avec précision les anomalies en présence de dynamiques système très compliquées et d'une quantité inconnue de bruit de capteur. Dans ce travail, nous proposons une nouvelle méthode de détection d'anomalies dans les séries temporelles appelée Identification de Systèmes Neuronaux et Filtrage Bayésien (NSIBF) dans laquelle une architecture de réseau neuronal spécialement conçue est utilisée pour l'identification de systèmes, c'est-à-dire capturer la dynamique des CPS dans un modèle d'état dynamique ; puis un algorithme de filtrage bayésien est naturellement appliqué sur le modèle d'état "identifié" pour une détection d'anomalies robuste en suivant l'incertitude de l'état caché du système de manière récursive dans le temps. Nous fournissons des expériences qualitatives ainsi que quantitatives avec la méthode proposée sur un ensemble de données synthétiques et trois ensembles de données CPS réels, montrant que NSIBF se compare favorablement aux méthodes à la pointe de la technologie avec des améliorations considérables dans la détection d'anomalies dans les CPS.