基于多变量物联网传感器数据的微藻光生物反应器培养无监督异常检测方法比较研究

《Technologies》：IoT-Based Unsupervised Anomaly Detection for Multivariate Time-Series Sensor Data in C. vulgaris Cultivation

　　**摘要**光生物反应器（PBR）微藻培养涉及复杂的多元理化相互作用，其中的细微扰动可能在肉眼可见的培养液退化发生之前，同时影响多个参数。传统的基于手动取样和单变量阈值检查的监测方法往往不足以捕捉培养环境中这些耦合的时间动态。然而，不同无监督异常检测（AD）方法在建模复杂多元环境数据方面的相对有效性仍缺乏充分理解，凸显了进行系统性比较评估的必要性。本研究旨在评估三种无监督AD模型——孤立森林（IForest）、单类支持向量机（OC-SVM）和本地离群因子（LOF）——在利用多元实时物联网传感器数据监测C. vulgaris PBR培养中的应用效果。所采集并分析的多元时间序列数据涵盖氧化还原电位（ORP）、电导率（EC）、氢离子指数（pH）和水温。基于正常训练数据计算的分位数阈值（P90、P95和P99）被用于评估异常敏感性与降低误报之间的权衡关系。在阈值敏感性分析中，IForest在P95阈值下实现了0.9750的召回率和0.9656的F1分数，同时ROC-AUC为0.9957，PR-AUC为0.9959。时间异常分析进一步揭示，异常集群主要集中在驯化期和稳定生长期。这些发现表明，无监督AD模型可作为微藻PBR培养系统中数据驱动监测与异常分析的有效实用工具。