基于多任务多域时序记忆自编码器的设备早期微弱异常检测与不确定性量化方法研究

《Engineered Regeneration》：Early weak anomaly detection and uncertainty quantification of equipment based on multi-task and multi-domain temporal memory autoencoder

本文提出了一种创新的多任务多域时序记忆自编码器（MTMAE），通过融合时域-频域特征建模（CEFM）和不确定性加权（UW）方法，有效解决了工业设备早期微弱异常检测中特征提取难、不确定性量化不足等关键问题。实验表明该模型在五个公共数据集上平均F1分数达0.871，并在实际船舶柴油机数据中展现出最优的早期预警能力。

　　

Highlight

本文的创新性体现在提出多域时序特征编码器（MTFL-Encoder），通过云增强特征建模（CEFM）方法融合时域与频域异常特征，并设计外部注意力记忆单元评分器实现对潜在数据模式的记忆。采用不确定性加权（UW）方法自适应平衡重构任务与记忆任务，显著提升模型对微弱异常的敏感度。

Unsupervised time-series anomaly detection（无监督时序异常检测）

无监督时序异常检测根据异常判定准则可分为基于特征距离、密度、重构和预测的方法。例如深度支持向量数据描述（Deep SVDD）将数据映射到超球体空间，而隔离森林（Isolation Forest）则通过随机划分特征空间来识别异常。重构类方法如自编码器（AE）通过比较输入与重构输出的误差进行异常评分，尤其适用于工业场景缺乏标签数据的情况。

Overall framework（整体框架）

图4展示了多任务多域时序记忆自编码器（MTMAE）的整体架构。输入数据首先经过多域时序特征学习编码器（MTFL-Encoder）解析时域、频域和不确定性域的异常模式，生成潜在特征。模型通过双任务分析这些特征：解码器重构输入数据并计算重构误差，同时记忆评分器基于外部注意力机制对潜在模式进行记忆与异常评分。

Experiments（实验验证）

本节通过五组公共数据集和真实船舶柴油机数据验证模型性能。在添加噪声的鲁棒性测试中，MTMAE的AUPRC（精确召回曲线下面积）达到0.887，误报率较基线方法降低23.6%。特别在早期微弱异常检测任务中，模型比对比方法平均提前3.2个时间单位发出预警。

Conclusion（研究结论）

MTMAE为设备早期故障预警提供了一种低成本、可扩展的解决方案。未来研究将探索多传感器数据融合策略，并进一步优化不确定性量化模块在医疗健康监测等领域的迁移应用。