基于自条件引导扩散模型的多变量时间序列异常检测及其在工业系统健康监测中的应用

本文提出了一种创新的自条件引导扩散模型（DSCAD），通过引入自条件化策略和Transformer去噪模块，有效解决了多元时间序列异常检测中的弱恒等映射（WIM）问题。该方法利用扩散过程中提取的粗粒度特征作为目标向量，在保持原始输入完整性的同时显著提升异常检测性能（平均F1达95.23%），为工业系统（如设备故障监测、网络攻击预警）提供了更可靠的智能运维解决方案。

　　

Highlight

• 我们提出DSCAD——一种基于Transformer架构的新型扩散模型，通过从原始输入中提取自条件信息来指导重建过程，有效克服了弱恒等映射（WIM）现象。

• 我们开发了自条件引导策略：利用粗粒度模块从扩散过程的迭代采样结果中提取特征作为目标向量，控制数据重建朝向正常模式，既能抑制异常重建又保持输入完整性。

• 我们设计了融合目标向量重建误差的新检测标准，放大正常与异常点的分布差异，显著提升检测性能。

• DSCAD在五个真实世界数据集上验证了其超越现有先进方法（SOTA）的优越性。

Methodology

DSCAD的架构包含四个阶段（图1）。首先对原始数据X₀进行T步高斯噪声添加得到X_T；接着通过自条件引导策略从目标向量Y_T中提取粗粒度信息Y_T^c，为X_T提供正常模式指导，生成X′_T以避免额外干扰；X′_T输入去噪Transformer模块生成下一步X_T-1；自条件引导和去噪过程迭代执行直至重建完成。

Conclusion

本研究提出的DSCAD模型通过自条件引导策略从目标向量中提取正常粗粒度特征，有效指导预期正常数据的重建，解决了WIM问题。改进的损失函数鼓励模型捕捉具有显著正常特征的自条件向量，同时提出新的检测标准提升模型区分能力。