用于工业物联网时间序列异常检测的自监督学习

工业传感器如今已成为监测制造系统环境条件的重要设备。然而，这些智能传感器的异常行为可能在系统运行过程中导致故障或潜在风险，从而增加整个制造过程的高可用性。工业监测系统中的异常检测工具必须提前检测任何异常行为。最近，自监督学习在消除手动标记过程的培训中显示出与其他方法可比的性能。此外，这项技术降低了轻量设备中训练模型的复杂性，以提高处理时间并准确检测设备资产的健康状况。因此，本文提出了一种利用自监督学习框架在时间序列数据集中进行异常检测的方法，以提高模型在高准确性和轻量方法方面的性能。考虑到时间序列数据增强以生成伪标签，使用一维卷积神经网络 (1DCNN) 的分类器被应用于学习正常数据的特征。该分类模型的输出将有效衡量异常程度。实验结果表明，我们提出的方法优于经典的异常检测方法。此外，还在真实测试环境中进行了模型部署，以展示自监督学习方法在时间序列异常检测中的效率。