跳到主要内容

研究存储库

高级搜索

利用因果关系网络中多变量残差信号的高级独立分量分析进行在线异常检测。

埃德温·卢霍弗；亚历山德鲁·西普里安（Alexandru-Ciprian），扎瓦瓦努（Zavoianu）；罗伯特·波拉克（Robert Pollak）；马哈迪卡·普拉塔马；Pauline Meyer-Heye；赫尔穆特·Z？rrer；克里斯蒂安·艾辛格（Christian Eitzinger）；托马斯·拉多尔

作者

埃德温·卢霍弗

罗伯特·波拉克

马哈迪卡·普拉塔马

波琳·迈耶·赫伊

赫尔穆特Z■r

克里斯蒂安·艾廷格

托马斯·拉多尔



摘要

在当今工业环境中，异常检测是一项艰巨的挑战，它可以在早期阶段检测可能在生产过程中转化为严重浪费的故障/问题、缺陷或系统组件损坏。多传感器网络中的数据驱动异常检测依赖于从多传感器测量中提取的模型，这些模型描述了无异常参考情况。因此，这些模型的显著偏差表明存在潜在异常。本文提出了一种新的方法，该方法基于因果关系网络（CRN），以部分子关系的形式表示传感器通道（或传感器节点）之间的内在因果关系，并在微流控芯片制造场景中评估其在两个不同生产阶段的功能和性能。部分关系由非线性（模糊）回归模型建模，用于表征单一原因对效果的（局部）影响程度。对从CRN中的偏关系获得的多变量残差信号进行了高级分析。它使用独立成分分析（ICA）通过分层矩阵获得的独立成分（潜在变量）来表征融合残差中的隐藏结构。通过自动控制限检测到的潜在变量能量含量的显著变化表明存在异常。通过仅对分层矩阵的主要部分进行残差分析，可以抑制残差中可能的噪声含量，以降低假警报的可能性。我们的方法可以检测出导致劣质芯片（出现故障）的过程中的异常基于多个传感器在两个生产阶段（注塑和粘合）记录的过程数据，延迟可以忽略不计，这两个阶段是在完全不同的过程参数设置和不同的机器上独立执行的（因此，可以视为两个不同的用例）。此外，我们的方法i.）产生的虚警率低于（无监督）异常检测的几种相关且众所周知的最新方法，以及ii.）也导致了更低的参数化努力（事实上，根本没有）。这两个方面对于异常检测方法的可用性至关重要。

引用

LUGHOFER，E.，ZAVOIANU，A.-C.，POLLAK，R.，PRATAMA，M.，MEYER-HEYE，P.，ZRRER，H.，EITZINGER，C.和RADAUER，T.2020。利用因果关系网络中多变量残差信号的高级独立分量分析进行在线异常检测。信息科学[在线]，537425-451。可从以下位置获得：https://doi.org/10.1016/j.ins.2020.06.034

日记账文章类型 第条
验收日期 2020年6月11日
在线发布日期 2020年6月20日
出版日期 2020年10月31日
存款日期 2020年7月9日
公开可用日期 2021年6月21日
日记账 信息科学
打印ISSN 0020-0255
电子ISSN 1872-6291
出版商 爱思维尔
同行评审 同行评审
体积 537
页 425-451
内政部 https://doi.org/10.1016/j.ins.2020.06.034
关键词 在线异常检测；因果关系网络；高级多元残差分析；独立成分分析的优势部分；自动控制限制；在线生产系统
公共URL https://rgu-repository.worktribe.com/output/943823

文件夹





你可能也喜欢



可下载引文