CNN – RNN چند سر برای تشخیص ناهنجاری سری چند زمانه: یک مطالعه موردی صنعتی

تشخیص ناهنجاری ها در داده های سری زمانی در طیف گسترده ای از برنامه های صنعتی که در آن سنسورها بر ماشین های گران قیمت نظارت می کنند، تبدیل به جریان اصلی می شود. پیچیدگی این کار زمانی افزایش می‌یابد که چندین سنسور ناهمگن اطلاعات با ماهیت، مقیاس‌ها و فرکانس‌های مختلف از یک ماشین یکسان را فراهم می‌کنند. به طور سنتی، تکنیک‌های یادگیری ماشین به یک پیش‌ پردازش داده جداگانه قبل از آموزش نیاز دارند، که تمایل به زمان بر بودن دارد و اغلب به دانش دامنه نیاز دارد. رویکردهای یادگیری عمیق اخیر نشان داده اند که در داده های سری زمانی خام عملکرد خوبی دارند و نیاز به پیش پردازش را از بین می برند. در این کار ، ما یک روش مبتنی بر یادگیری عمیق برای تشخیص نظارت بر ناهنجاری سری چند زمانه را ارائه می دهیم که ترکیبی از یک شبکه عصبی پیچشی (CNN) و یک شبکه عصبی مکرر (RNN) به روش های مختلف است. برخلاف روش‌های دیگر، ما از CNNهای مستقل، به اصطلاح سرهای پیچشی برای مقابله با تشخیص ناهنجاری در سیستم‌های چند حسگر استفاده می‌کنیم. ما هر سنسور را به صورت جداگانه با اجتناب از نیاز به پیش‌ پردازش داده مورد خطاب قرار می‌دهیم

Highlights•We propose a Multi-head CNN-RNN for multi-time series anomaly detection.•Time series are addressed independently to deal with heterogeneous sensor systems.•The Multi-head CNN can adapt its heads to the needs of each time series•The Multi-head CNN-RNN adapts to new sensor configurations using transfer learning.•An industrial case study with elevator data is used to test the proposed method.•Experiments show promising results detecting anomalies in an industrial scenario.AbstractDetecting anomalies in time series data is becoming mainstream in a wide variety of industrial applications in which sensors monitor expensive machinery. The complexity of this task increases when multiple heterogeneous sensors provide information of different nature, scales and frequencies from the same machine. Traditionally, machine learning techniques require a separate data pre-processing before training, which tends to be very time-consuming and often requires domain knowledge. Recent deep learni