工业场景下基于深度学习的时间序列异常监测与诊断

摘要

随着数字化转型及传感器技术的发展，工业场景下的时间序列数据呈现出维度高、体量大 、非线性强等特征，为工业系统的时间序列异常监测及诊断带来了新的挑战。基于深度学习的时间序列异常检测模型在近年来得到了一定发展。然而，当前的研究在进行异常监测时没有利用到工业场景中丰富的领域先验知识，且对时序数据当中的时间自相关性建模较差。同时，深度学习等黑箱模型具有较低的可解释性，难以在实际工业部署中实现对异常的精准定位和溯源。基于上述问题，本项目将提出新的工业时序异常监测及诊断框架。具体地，项目首先将领域专家知识融入以异常测量为导向的模型设计中，并基于统计过程控制对异常得分的时间相关性进行建模给出精准的异常判定。进一步，项目将基于数据增强策略学习深度模型中的因果关系，实现异常的定位和诊断。本项目将通过创新性的框架设计，给出专业、高效、稳定、可解释的工业场景时间序列异常监测与诊断解决方案。