Integriertes generatives Modell zur industriellen Anomalieerkennung über bidirektionale LSTM und Aufmerksamkeitsmechanismus

Für das aufkommende industrielle Internet der Dinge (IIoT) ist die intelligente Anomalieerkennung ein entscheidender Schritt zum Aufbau einer intelligenten Industrie. Insbesondere stellen explosive Zeitserien-Daten enorme Herausforderungen an die Informationsgewinnung und -verarbeitung für die moderne Industrie. Wie man die multidimensionale industrielle Zeitserienanomalie identifiziert und erkennt, ist ein wichtiges Thema. Allerdings schaffen es die meisten der bestehenden Studien nicht, mit großen Mengen ungelabelter Daten umzugehen, was zu unerwünschten Ergebnissen führt. In diesem Artikel schlagen wir ein neuartiges integriertes tiefes generatives Modell vor, das auf generativen gegnerischen Netzen basiert, die auf bidirektionaler Long Short-Term Memory und Aufmerksamkeitsmechanismus (AMBi-GAN) beruhen. Die Struktur für den Generator und den Diskriminator ist das bidirektionale Long Short-Term Memory mit Aufmerksamkeitsmechanismus, das zeitliche Abhängigkeiten erfassen kann. Rekonstruktionsverlust und Erzeugungsverlust testen die Eingabe des Beispieltrainingsraums und des zufälligen latenten Raums. Experimentelle Ergebnisse zeigen, dass die Detektionsleistung unseres vorgeschlagenen AMBi-GAN das Potenzial hat, die Erkennungsgenauigkeit von industriellen multidimensionalen Zeitserienanomalien im Hinblick auf IIoT im Zeitalter der künstlichen Intelligenz zu verbessern.