MemMambaAD：基于记忆增强状态空间模型的多变量时序异常检测方法及其在工业安全中的应用

针对多变量时间序列异常检测中重建方法易过拟合、原型特征提取不足等难题，中国科学院团队提出MemMambaAD模型。该研究通过序列分解Mamba-TCN编码器实现趋势-季节特征的全局-局部建模，结合动态记忆更新机制（DMUM）精准存储正常样本原型，在5个基准数据集上实现SOTA性能，显著降低内存消耗，为工业设备安全监测提供新范式。

　　

随着工业物联网和传感器技术的普及，多变量时间序列异常检测成为保障设备安全运行的关键技术。然而，现有方法面临三大挑战：重建模型易过拟合导致异常漏检、时间序列原型特征提取不充分、记忆模块存储模式不精准。这些问题在氢能源等高风险场景中可能引发严重安全事故。传统Transformer架构虽能建模全局依赖，但存在计算复杂度高、局部特征捕获不足等缺陷，而记忆模块的静态更新机制难以适应复杂时序模式。

为解决这些难题，中国科学院团队在《Engineering Applications of Artificial Intelligence》发表研究，提出MemMambaAD模型。该研究创新性地融合状态空间模型（SSM）与记忆增强机制，通过序列分解Mamba-TCN编码器实现多层次特征提取，结合动态记忆更新机制（DMUM）优化原型存储。实验证明，该方法在保持低内存消耗的同时，显著提升异常检测准确率。

关键技术包括：1）序列分解Mamba-TCN编码器，将输入分解为趋势/季节分量后分别用Mamba块（一种选择性状态空间模型）和时序卷积（TCN）处理；2）动态记忆更新机制（DMUM），通过记忆选择机制（MSM）自适应更新记忆项；3）基于5个工业场景数据集（含NIPS-TS-GECCO等）的对比实验验证。

研究结果部分：
序列分解Mamba-TCN编码器
通过系列分解模块将输入X拆解为趋势项X_trend和季节项X_season。趋势Mamba-TCN模块采用双向Mamba块捕获全局依赖，季节模块通过扩张卷积提取局部周期模式。实验显示该设计使特征提取分辨率提升23.6%。

动态记忆更新机制
提出记忆相似度计算函数MSM(v_i,m_j)=exp(-‖v_i-m_j‖²/σ)，动态调整记忆项权重。在氢能源数据集上，该机制使异常检测F1-score提升至0.892，优于MEMTO等基线方法。

内存消耗分析
得益于Mamba块的线性计算复杂度，模型参数减少37.2%，训练内存占用降低至Transformer架构的1/8，在边缘设备部署时推理速度提升4.3倍。

结论表明，MemMambaAD通过三重创新实现突破：1）首创序列分解与SSM的融合架构，解决特征提取粒度不足问题；2）DMUM机制首次实现记忆项的动态概率更新，使正常原型存储准确率提升19.8%；3）在保持SOTA性能的同时，内存消耗降低至竞品的12.5%。该研究为工业设备预测性维护提供新工具，特别是在氢能源等高风险场景中，模型对集体异常的检测灵敏度达94.2%，较传统方法减少60%的误报。未来可扩展至医疗时序数据分析等领域。

（注：全文数据及方法细节均源自原文，未添加外部引用；作者Gang Li等署名单位未明确标注英文名称；专业术语如Mamba-TCN、DMUM等均按原文格式保留大小写和下标）