工业传感器信号异常检测中的自适应统计窗方法

《IEEE Sensors Letters》：Adaptive Statistical Windowing for Anomaly Detection in Industrial Sensor Signals

　　

[ASWRT] 传感器信号验证对于工业自动化至关重要，尤其是在安全要求极高的环境中。本文提出了一种无需训练的统计框架，该框架采用分层滑动窗口策略依次执行传感器验证和异常检测。该方法结合了信号平稳化处理以及自适应的四分位数范围阈值，以动态应对非平稳情况。该框架在田纳西伊士曼工艺（TEP）基准测试和斯科尔科沃科技异常基准测试（SKAB）的单变量案例中进行了评估。在TEP测试中，所提出的方法有效识别出异常运行状态，并显著优于矩阵轮廓（matrix profile）、k-Shape和子序列级隔离森林（subsequence-level Isolation Forest）等基准方法，实现了99.8%的精确度和74.3的F1分数。在SKAB测试中，该方法在所有比较方法中取得了最佳的整体性能平衡，达到了84.6%的精确度、66.4%的F1分数和最低的误报率。由于其低复杂性和不依赖特定传感器的设计特性，该框架适用于无需模型训练的大规模工业监测场景。