点击名片
关注并星标
#TSer#
论文背景
由于从多个传感器生成的数据量庞大，手动检测异常行为变得不切实际，因此迫切需要自动化系统来立即识别异常行为。从操作周期开始和结束时捕获的热图像中检测异常行为尤为复杂，因为这些图像可能与低温异常图像相似。
为此，该论文的研究者开发了一种基于深度学习的图像异常检测方法，用于识别从运行中的CSP厂收集的热成像序列中的异常行为。他们提出了一种能够处理数据的时间特征，包括不规则性、时间依赖性和日常季节性模式引起的非平稳性的方法。
研究者引入了一种基于预测的异常检测方法，该方法通过深度序列模型从过去的图像序列和时间戳预测未来的热图像。该方法能有效地区分难以检测的基于温度的异常，包括操作周期开始和结束时的低温异常。
通过多个评估指标的实验证明，所提出的方法比现有的最先进方法更有效。同时，研究者还将解决方案成功部署在五个月的未见过的数据上，为CSP厂的维护提供了关键见解。
模型方法
该论文提出了一个基于预测的异常检测方法，称为ForecastAD，用于检测集中式太阳能发电（CSP）厂热成像序列中的异常操作。下面是该方法的具体步骤和特点：
1. 数据预处理
使用红外摄像机在一天中不同时间间隔（1至5分钟）捕获太阳能接收器表面的热图像。这些图像反映了接收器在不同操作阶段的温度分布。
2. 特征提取
使用预训练的编码器网络（如自编码器）从高维热图像中提取特征嵌入，将图像从高维输入空间转换到低维潜在空间。
3. 时间序列建模
为了处理图像捕获的不规则时间间隔，使用带有正弦编码的深度序列模型来编码图像序列和它们之间的间隔时间。同时考虑了自操作开始以来的时间，提供操作周期内图像的位置信息。
4. 预测模型
利用LSTM（长短期记忆网络）作为上下文编码器，将前一个时间步的隐藏状态和当前时间步的联合嵌入（包括图像嵌入、时间间隔嵌入和操作开始以来的时间嵌入）结合起来，更新上下文向量。
由于LSTM能够考虑长期依赖关系，它能够处理时间序列的非平稳性，即序列的统计特性随时间变化，例如日常季节性模式。在ForecastAD模型中，LSTM能够处理图像捕获的不规则时间间隔。通过正弦编码将时间间隔嵌入到模型中，LSTM可以考虑到每个时间步之间的不同时间长度。
5. 图像重建
使用解码器网络（与编码器网络一起预训练）基于上下文向量重建图像。重建误差被用作异常得分，难以重建的图像被认为是异常的。
6. 异常评分
对于一个新的数据点，其异常得分定义为原始图像和预测图像之间的重建误差。
ForecastAD方法特别关注于处理时间序列数据的不规则性和时间依赖性，以及如何从高维热图像中提取有用的特征来预测和检测异常。
实验效果
在论文中，作者们进行了一系列实验来评估他们提出的ForecastAD方法，并与现有的最先进方法进行比较。以下是实验的具体步骤和效果：
论文中使用了从CSP厂操作期间收集的一年时间序列热图像数据。数据集被分为训练集、验证集和测试集。具体划分逻辑如下图所示：
研究者与多个现有的最先进异常检测方法进行比较，包括自编码器、CFlow、DRÆM、FastFlow、PaDiM、PatchCore和Reverse Distillation等。使用AUROC（Area Under the Receiver Operating Characteristics Curve）和AUPR（Area Under the Precision-Recall Curve）作为主要评估指标。
如上表所示，在多个测试设置中，ForecastAD在AUROC和AUPR指标上普遍优于其他比较的基线方法。特别是在检测低温异常方面，ForecastAD显示出显著的性能提升，这是许多现有方法难以处理的问题。
上图展示了在实际的CSP厂数据上的部署的效果。结果表明，ForecastAD能够为维护提供关键的见解，有助于实现设备的策略性维护。实验结果还表明，ForecastAD对于操作阶段和外部天气条件的变化具有鲁棒性。
总的来说，实验表明ForecastAD方法在检测CSP厂热图像序列中的异常操作方面是有效的，并且与现有的最先进方法相比有显著的改进。此外，该方法在实际部署中也显示出了实际应用的潜力。
扫下方二维码，加入时序人学术星球
星球专注于时间序列领域的知识整理，前沿追踪
提供论文合集、视频课程、问答服务等资源
280+篇专栏笔记，已有280+小伙伴加入
价格随着内容丰富而上涨，早入早享优惠哦~
时间序列学术前沿系列持续更新中 ⛳️
后台回复"讨论"，加入讨论组一起交流学习 🏃
往期推荐阅读
无惧漂移！D3R方法可用于不稳定多元时间序列异常检测，SOTA提升11%
觉得不错，那就点个在看和赞吧
