×
埃德温·卢霍弗;亚历山大·西普里亚恩·扎瓦瓦努;罗伯特·波拉克;马哈迪卡·普拉塔马;Pauline Meyer-Heye;赫尔穆特·泽雷尔;克里斯蒂安·艾辛格;托马斯·拉多尔

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。 （英语） 兹比尔1479.62040

信息科学。 537, 425-451 (2020).
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，以表征单一原因对影响的（局部）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.）也导致参数化工作大大降低（实际上，一点也没有）。这两个方面对于异常检测方法的可用性至关重要。

引用于2文件

MSC公司：

62H25个 因子分析和主成分；对应分析
60G35型 信号检测和滤波（随机过程方面）
第60页 统计学在工程和工业中的应用；控制图

关键词：

在线异常检测;因果关系网络;高级多元残差分析;独立成分分析的主要部分;自动控制极限;在线生产系统

软件：

利比亚支持向量机;科恩平滑;TETRAD公司
PDF格式BibTeX公司 XML格式引用
\textit{E.Lughofer}等人，《信息科学》。537425-451（2020年；Zbl 1479.62040）
全文： 内政部 链接

参考文献：

[1] An，J。；Cho，S.，利用重建概率进行基于变分自动编码器的异常检测，IE专题讲座，2，1-18（2015）
[2] 奥米，S。；科贝特，B。；Mhaskary，P.，批量过程的模型预测质量控制，（2012年美国控制会议（2012年），Fairmont Queen Elizabeth:Fairmont Queen Elizabeth Montral，加拿大），5646-5651
[3] 坎佩罗，R.J.G.B。；Moulavi，D。；Zimek，A。；Sander，J.，数据聚类、可视化和离群值检测的层次密度估计，ACM Trans。知识。发现数据，10，1，1-51（2015）
[4] Cernuda，C。；Lughofer，E。；Mayr，G。；罗德，T。；Hintenaus，P。；瓦辛格。；Kasberger，J.，粘胶生产中用于优化自适应校准的增量和减量主动学习，Chemometr。智力。实验室系统。，138, 14-29 (2014)
[5] V·钱多拉。；Banerjee，A。；库马尔，V.，《异常检测：一项调查》，美国计算机学会。调查，41，3（2009）
[6] 陈，H。；蒂诺，P。；姚，X。；Rodan，A.，故障诊断模型空间学习，IEEE Trans。神经网络学习。系统。，25, 1, 124-136 (2014)
[7] Chiang，L.H。；罗素·E·L。；Braatz，R.D.，《工业系统中的故障检测和诊断》（2001），施普林格出版社：施普林格伦敦-柏林-海德堡出版社·Zbl 0982.93005号
[8] Chih-Chung，C。；Chih-Jen，L.，LIBSVM：支持向量机库，ACM Trans。智力。系统。技术。，2 (2011), 27:1-27:27
[9] Comon，P.，《独立成分分析：一个新概念？》？，信号处理。，36, 3, 287-314 (1994) ·Zbl 0791.62004号
[10] Dargie，W。；Poellabauer，C.，《无线传感器网络基础：理论与实践》（2010），John Wiley and Sons：John Willey and Sons Hoboken，New Jersey
[11] 杜，D。；周S.，旋转机械智能故障诊断四种直接分类方法的比较，应用。软计算。，46, 459-468 (2016)
[12] 段，L。；谢，M。；Bai，T。；Wang，J.，一种新的支持向量数据描述方法，用于不平衡数据集的机械故障诊断，专家系统。应用。，64, 239-246 (2016)
[13] Fernandez-Francos博士。；Martnez-Rego，D。；Fontenla-Romero，O。；Alonso Betanzos，A.，基于一类v-svm的轴承故障自动诊断，计算机。工业工程，64，1，357-365（2013）
[14] 福图纳，L。；格拉齐亚尼，S。；A.里佐。；Xibilia，M.G.，《工业过程监测和控制用软传感器》（2007），施普林格出版社：伦敦施普林格公司·Zbl 1136.93001号
[15] 何庆平。；Wang，J.，《半导体制造过程中使用k近邻规则进行故障检测》，IEEE Trans。半秒。制造，20445-354（2007）
[16] 徐，C.-W。；Chang，C.-C。；Lin，C.-J.，《支持向量分类实用指南》（2006）
[17] Hyvärinen，A。；Oja，E.，《独立成分分析：算法和应用》，神经网络，13，4-5，411-430（2000）
[18] 卡诺，M。；Nakagawa，Y.，《基于数据的过程监控、过程控制和质量改进：钢铁行业的最新发展和应用》，计算机。化学。工程师，32，12-24（2008）
[19] Le，T.D。；Hoang，T。；Li，J.等人。；刘，L。；刘，H。；Hu，S.，用多核PC实现高维因果发现的快速PC算法，J.LaTeX Class Files，13，9，1-13（2014）
[20] 莱莫斯，A。；卡米尼亚斯，W。；Gomide，F.，多变量高斯演化模糊建模系统，IEEE Trans。模糊系统。，19, 1, 91-104 (2011)
[21] Lughofer，E.，《在线主动学习：提高数据流建模方法实用性的新范式》，《信息科学》。，415-416, 356-376 (2017)
[22] Lughofer，E。；Cernuda，C。；Kindermann，S。；Pratama，M.，广义智能进化模糊系统，Evolv。系统。，6, 4, 269-292 (2015)
[23] Lughofer，E。；Pratama，M.，基于进化广义模糊模型的不确定性抽样数据流回归中的在线主动学习，IEEE Trans。模糊系统。，26, 1, 292-309 (2018)
[24] Lughofer，E。；普拉塔玛，M。；Skrjanc，I.，用于自主漂移补偿的广义进化模糊系统中的增量规则分裂，IEEE Trans。模糊系统。，26, 4, 1854-1865 (2018)
[25] Lughofer，E。；Sayed-Mouchaweh，M.，《动态系统中的预测性维护——高级方法、决策支持工具和现实世界应用》（2019年），施普林格出版社：施普林格纽约
[26] 卢格霍费尔，E。；Weigl，E。；Heidl，W。；艾辛格，C。；Radauer，T.，在进化模糊分类器设计中动态集成新类及其在视觉检测中的应用，应用。软计算。，35, 558-582 (2015)
[27] Lughofer，E。；A.-C.扎瓦瓦努。；波拉克，R。；普拉塔玛，M。；梅耶·赫伊，P。；Zörrer，H。；艾辛格，C。；哈伊姆，J。；Radauer，T.，用于微流控芯片质量在线预测的带有增量PLS空间更新的自适应进化预测模型，工程应用。Artif公司。智力。，68, 131-151 (2018)
[28] Malathi，V。；新南威尔士州马里穆图。；Baskar，S.，《串联补偿输电线路故障分类的多类别分类方法综合评价》，神经计算。应用。，19, 595-600 (2010)
[29] Mendona，L.F。；Sousa，J.M.C。；da Costa，J.M.G.S.，基于模糊方法的故障检测和隔离架构，专家系统。应用。，36, 2, 1092-1104 (2009)
[30] Myklebact，O.，《零缺陷制造：面向产品和工厂的生命周期方法》，Procedia CIRP，12，246-251（2013）
[31] Nelles，O.，非线性系统识别（2001），Springer:Springer Berlin·Zbl 0963.93001号
[32] Odgaard，P.F。；Lin，B。；Jorgensen，S.B.，《电厂磨煤机中基于观测器和数据驱动模型的故障检测》，IEEE Trans。能量转换。，23, 2, 659-668 (2008)
[33] Orchard，M.E。；Acuna，D.E.，《关于长期预测中的预测算法设计和基本精度限制》（Lughofer，E.；Sayed-Mouchaweh，M.，《动态系统中的预测性维护》，即将出版的第页（2018年），Springer:Springer New York）
[34] M.Pratama，E.Dimla，T.Tjahjowidodo，E.Lughofer，W.Pedrycz，基于简约集合+的在线刀具状态监测。IEEE控制论汇刊，在线和出版：doi:2018，10.1109/TCYB.2018.2871120。
[35] 塞缪尔·R·T。；Cao，Y.，使用核主成分分析和核密度估计的非线性过程故障检测和识别，系统。科学。控制工程，4，1，165-174（2016）
[36] Schölkopf，B.，作为核心特征值问题的非线性分量分析，神经计算。，10, 1299-1319 (1998)
[37] Schokopf，B.，估计高维分布的支持，神经计算。，13, 7 (2001) ·Zbl 1009.62029号
[38] 塞尔迪奥，F。；Lughofer，E。；皮克勒，K。；Buchegger，T。；Efendic，H.，使用软计算技术进行基于残差的故障检测，用于轧钢机状态监测，Inf.Sci。，259, 304-320 (2014)
[39] 塞尔迪奥，F。；Lughofer，E。；扎沃亚努，A.-C。；皮克勒，K。；皮克勒，M。；Buchegger，T。；Efendic，H.，利用混合模因模糊建模和自适应滤波器改进故障检测，应用。软计算。，51, 60-82 (2017)
[40] Skrjanc，I.，模糊模型的置信区间：使用废水处理厂Chemmeter的示例。智力。实验室系统。，96, 182-187 (2009)
[41] 斯科尔扬克，I。；布拉齐克，S。；Lughofer，E。；Dovzan，D.，从数据流进行分类和回归的进化柯西可能性聚类中的内部矩阵规范，Inf.Sci。，478, 540-563 (2019)
[42] Spirtes，P。；Glymour，C。；Scheines，R.，因果关系、预测和搜索（2000），麻省理工学院出版社：麻省理学院出版社剑桥·Zbl 0806.62001
[43] 斯托亚诺维奇，V。；Nedic，N.，使用最优输入设计对输出受限的oe模型进行稳健识别，J.Franklin Inst.，353，2，576-593（2016）·Zbl 1395.93182号
[44] 税务，D.M.J。；Duin，R.P.W.，支持向量数据描述，马赫数。学习。，1, 45-66 (2004) ·Zbl 1078.68728号
[45] Tipping，M.E。；Bishop，C.M.，概率主成分分析，J.Roy。统计社会服务。B（Stat.Methodol.），第61、3、611-622页（1999年）·Zbl 0924.62068号
[46] Wand，M.P。；Jones，M.C.，《内核平滑》（1994），CRC出版社：CRC出版社博卡拉顿·Zbl 0854.62043号
[47] Welling，M.，《内核主成分分析》，《小教程》（2000），Welling/classnotes/classnotes.html
[48] Yu，J。；Jang，J。；Yoo，J。；Park，J.H。；Kim，S.，基于Bagged自联想核回归的火电厂蒸汽锅炉故障检测和识别方法，J.Electr。工程技术。，12, 4, 1406-1416 (2017)
[49] C.Zhang，X.Gao，Y.Li，L.Feng，半导体制造过程中基于k个最近邻加权距离的故障检测策略。IEEE传输。塞明康德。制造、在线和出版（DOI 2018，10.1109/TSM.2018.2857818）。
[50] H.Zou，T.Hastie，《通过弹性网进行正则化和变量选择》，J.Roy。统计社会服务。B（2005）301-320·Zbl 1069.62054号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。