Codificador-Decodificador baseado em LSTM para Detecção de Anomalias em Múltiplos Sensores

Dispositivos mecânicos como motores, veículos, aeronaves, etc., são tipicamente instrumentados com numerosos sensores para capturar o comportamento e a saúde da máquina. No entanto, frequentemente existem fatores ou variáveis externas que não são capturadas pelos sensores, levando a séries temporais que são inerentemente imprevisíveis. Por exemplo, controles manuais e/ou condições ambientais ou de carga não monitoradas podem levar a séries temporais inerentemente imprevisíveis. Detectar anomalias em tais cenários torna-se desafiador utilizando abordagens padrão baseadas em modelos matemáticos que dependem da estacionariedade, ou modelos de previsão que utilizam erros de previsão para detectar anomalias. Propomos um esquema de Encoder-Decoder baseado em Redes de Memória de Longo Prazo e Curto Prazo (LSTM) para Detecção de Anomalias (EncDec-AD) que aprende a reconstruir o comportamento de séries temporais 'normais' e, a partir daí, utiliza o erro de reconstrução para detectar anomalias. Experimentamos com três conjuntos de dados de séries temporais quasi-previsíveis disponíveis publicamente: demanda de energia, ônibus espacial e ECG, e dois conjuntos de dados reais de motores com comportamento preditivo e imprevisível. Demonstramos que o EncDec-AD é robusto e pode detectar anomalias em séries temporais previsíveis, imprevisíveis, periódicas, aperiódicas e quasi-periódicas. Além disso, mostramos que o EncDec-AD é capaz de detectar anomalias em séries temporais curtas (com comprimento tão pequeno quanto 30) assim como em séries temporais longas (com comprimento de até 500).