43、基于时间自监督和图的多变量时间序列异常检测在车辆故障预测中的应用

基于时间自监督和图的多变量时间序列异常检测在车辆故障预测中的应用

1. 引言

在交通运输的现代预测性维护系统中，故障预测至关重要，它能防止车辆意外故障和高额维修成本。现代车辆配备了复杂的传感网络，有助于在故障子系统影响其他部件之前进行早期检测。然而，技术人员难以分析大量的传感器数据，因此需要一个自动化框架来高效、客观地提取相关信息。深度异常检测是实现这一目标的有前景的方法，它是一类专门用于检测不规则数据模式的机器学习算法。

1.1 问题陈述

车辆传感器通常输出多变量时间序列数据，检测其中的异常具有挑战性：
- 时间序列数据复杂、非平稳且高维，难以识别有意义的模式。
- 区分异常与驾驶模式、天气和道路条件的变化很困难。
- 捕捉数据中的时间关系复杂，因为记录长度可变且不连续。

大多数现有机器学习方法存在四个关键缺点：
- 不考虑不同传感器之间的相互关系，应用受限。
- 需将长序列数据分割成小分区，丢失长期时间关系。
- 大多无法识别异常传感器，只能进行系统级异常检测。
- 基于单个时间点定义异常分数，受噪声影响，评估协议有偏差。

1.2 应对挑战的方法

近期研究表明，大多数现有的深度时间序列异常检测模型在更具挑战性的数据集上表现不佳，而图基方法是少数例外之一。受此启发，我们开发了一个基于图的模型来解决车辆故障预测问题。

为了更好地识别异常传感器，我们采用生成方法，每次屏蔽一个传感器并让模型重建它，利用重建误差检测异常传感器。

为克服图基模型处理长序列的限制，我们利用自监督学习的进展和车辆数据的独特属性，基于