《Smart Cities》：A Dynamic Graph Attention-Based Unsupervised Bi-Learning Framework for Anomaly Detection of Urban Rail Vehicle Door Systems
编辑推荐：
城市轨道交通车辆车门系统的异常检测（anomaly detection）对轨道车辆的安全性和可靠性至关重要，且由于异常数据稀缺，无监督方法（unsupervised methods）在异常检测中受到特别关注。然而，现有研究存在以下局限：（1）不同传感器变量（s
城市轨道交通车辆车门系统的异常检测（anomaly detection）对轨道车辆的安全性和可靠性至关重要，且由于异常数据稀缺，无监督方法（unsupervised methods）在异常检测中受到特别关注。然而，现有研究存在以下局限：（1）不同传感器变量（sensor variables）之间的动态相互关系未被显式考虑，这不利于正常模式（normal patterns）的学习；（2）检测性能受限于人工阈值设置（manual threshold setting）以及对不同传感器变量缺乏置信度度量（confidence measures）。为克服上述局限，本文提出一种基于动态图注意力（dynamic graph attention）的无监督双学习框架（unsupervised bi-learning framework），用于轨道车辆车门系统的异常检测。首先，设计动态图注意力块（dynamic graph attention block，DGAT block），以建模传感器变量之间的动态交互，并在信号编码（signal coding）过程中融合信息。然后，构建双学习框架（bi-learning framework），以自动学习阈值并量化传感器变量置信度（confidence of sensor variables）用于异常检测。所提方法在真实轨道车辆车门系统（real rail vehicle door system）上得到验证。与适用于多变量时间序列数据（multivariate time series data）的当前最优（state-of-the-art）基于自编码器（autoencoder-based）的方法相比，所提方法将最佳竞争精确率（precision）和F1分数（F1-score）分别提高7.7%和4.3%，同时将假阳性率（false positive rate，FPR）降低88.9%。
研究背景与问题：城市轨道交通车辆车门系统是轨道车辆的重要子系统，与运营安全和效率密切相关。作为复杂机电系统，车门系统在服役过程中常出现各类故障，可能导致异常阻力、异常电机驱动状态和门滑动状态，并最终影响开关门动作。为保证轨道车辆运行安全，维护人员常采用极为保守的维护计划，但车门系统复杂，人工维护与检查耗时且效果有限，因此利用状态监测数据进行有效、及时的自动检测对保障城市轨道运行安全与提升网络运营效率至关重要。异常检测可基于运行监测数据识别复杂系统中的非预期或非例行模式，现有方法大体分为监督方法（supervised methods）与无监督方法（unsupervised methods）。监督方法需要带有系统健康状态标签的状态监测信号，但实际中由于保守维护计划的指导，难以获得足够异常数据，使监督方法难以应用。无监督方法仅使用正常数据训练，再识别不符合正常数据模式的异常。现有多变量时间序列无监督异常检测研究仍存在局限：不同传感器变量之间的动态相互关系未被显式建模，不利于正常模式学习；检测依赖人工阈值设置，且缺乏对不同传感器变量置信度（sensor confidence）的度量，限制检测性能。车门系统运动过程具有多阶段、多部件耦合特征，不同节点（传感器信号）之间的关系在运动过程中不断演化，准确异常检测需要建模动态相互关系；同时，不同传感器对异常检测任务贡献不同，部分变量易受安装标准和运行条件影响。为此，研究人员提出基于动态图注意力的无监督双学习框架用于轨道车辆车门系统异常检测。
研究开展与结论意义：研究人员设计动态图注意力块（dynamic graph attention block，DGAT block），集成时序自注意力机制与演化图注意力机制，并包含时序自注意力子模块、动态图注意力学习子模块和动态图聚合子模块；构建DGAT自编码器（autoencoder），并开发无监督双学习框架（unsupervised bi-learning framework）以自动学习阈值和量化传感器置信度，进行多传感器融合（multi-sensor fusion）异常检测。该方法在真实轨道车辆车门系统上验证，实验结果表明其异常检测有效性。与适用于多变量时间序列数据的当前最优基于自编码器方法相比，所提方法将最佳竞争精确率（precision）和F1分数（F1-score）分别提高7.7%和4.3%，并将假阳性率（false positive rate，FPR）降低88.9%。其意义在于：通过建模传感器变量间动态交互并在信号编码中融合信息，增强异常模式识别，提高列车运行安全与城市轨道交通网络效率；同时避免依赖经验或异常数据的人工阈值设置，降低易受外部干扰的传感器信号对异常检测结果的影响。
关键技术方法（≤250字）：研究以中国城市轨道交通线路真实运营轨道车辆车门系统为样本队列，两轮采集正常开启与门板错位、缓冲器异常、全局/局部阻力异常数据。信号含电机位置、速度、电流，采样频率100 Hz，一次开门约3.5 s（约350时间步），共3840正常和960异常样本；训练集按2:1随机分为两子集。方法构建DGAT block（时序自注意力、动态图注意力学习、动态图聚合）与DGAT自编码器，采用无监督双学习框架：第一阶段训练自编码器，第二阶段基于Chebyshev定理（Chebyshev’s theorem）学习阈值并以逆变异系数μ
s/σ
s量化传感器置信度，融合传感器级异常评分；采用precision、recall、F1-score、FPR、接收者操作特征曲线（receiver operating characteristic curve，ROC）和曲线下面积（area under the curve，AUC）评价。
研究结果：
4.1 数据采集与实验设计：研究人员在真实运营轨道车辆上开展两轮数据采集，采集正常状态下8个车门开启过程数据，并构造门板错位、缓冲器异常、全局阻力异常和局部阻力异常后采集异常数据；数据由控制器上传至云，监测信号包括电机位置、速度、电流，采样频率100 Hz，一次开门约3.5 s、约350时间步，共3840正常样本和960异常样本；训练阶段将训练数据集按2:1随机分为两个子训练数据集用于两阶段学习。由此建立真实车门系统异常检测实验数据集。
4.2 评价指标：研究采用精确率（precision）、召回率（recall）、F1分数（F1-score）评价异常检测性能，并引入假阳性率（false positive rate，FPR），同时采用接收者操作特征曲线（receiver operating characteristic curve，ROC）和曲线下面积（area under the curve，AUC）进行更直观评价；每项实验重复五次并取平均以降低随机变化。
4.3 消融实验：（1）DGAT block有效性：通过将演化图注意力机制替换为时序自注意力机制（Method A）以及将动态图注意力学习子模块和动态图聚合子模块替换为普通图注意力模块（Method B）进行对比，所提方法性能最佳，尤其具有最高精确率和最低FPR，证明引入演化图注意力机制对车门系统异常检测性能提升有效；Method B优于Method A也说明处理多变量时间序列数据时挖掘不同变量间相互关系至关重要。编码器输出特征的降维聚类可视化显示，所提方法能在无监督学习范式下学习可分离特征；动态图注意力可视化显示所提DGAT block可学习逐步演化的图注意力，其变化过程与原始信号趋势基本一致。（2）无监督双学习框架收益：将所提方法与Method C（以训练结束时的最大损失值作为阈值）、Method D（直接以样本损失值作为异常评分）和Method E（不学习传感器置信度而赋予所有传感器相同置信度）比较，Method C性能最差，说明阈值选择至关重要；Method D、Method E和所提方法因基于Chebyshev定理学习阈值而在精度和FPR方面表现更好；所提方法因可自动进行阈值学习和传感器置信度学习而优于Method D和Method E。
4.4 与当前最优方法比较：研究引入MTAD-GAT、STGAT-MAD、FGDAE和Topo-GDN四种适用于多变量时间序列数据的当前最优基于自编码器方法，并在所提双学习框架下进行公平比较。结果表明所提方法在所有指标上表现最佳，尤其FPR最低；ROC曲线和AUC值也显示其优势。原因在于车门系统运动过程是多部件共同耦合和顺序作用的结果，传感器信号间相互关系在运动过程中不断变化，所提方法通过演化图注意力机制建模多传感器间动态相互关系并据此准确建模正常模式，从而在异常检测精确率上表现优势并避免误报。
讨论与结论总结：论文针对现有多变量时间序列异常检测中静态关系建模、忽视不同传感器贡献差异以及依赖人工阈值设置等问题，分别以DGAT block和双学习框架进行应对；实验结果表明动态图注意力建模与传感器置信度融合有助于提升精确率、F1-score并降低FPR。研究结论翻译：本文提出一种基于动态图注意力的双学习无监督框架，用于轨道车辆车门系统异常检测。首先，开发DGAT block用于自编码器，以建模变量间动态相互关系并基于演化图注意力机制执行信息聚合，从而增强网络学习正常模式的能力。然后，提出双学习框架，以无监督方式自动学习阈值和传感器置信度，从而避免依赖经验或异常数据的人工阈值设置，并基于信息融合提供综合异常检测结果。所提方法在真实轨道车辆车门系统上得到验证，实验结果表明其在异常检测中的有效性。与适用于多变量时间序列数据的当前最优基于自编码器的方法相比，所提方法将最佳竞争精确率和F1-score分别提高7.7%和4.3%，同时将FPR降低88.9%。
