主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第6期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
丁小欧,于晟健,王沐贤,王宏志,高宏,杨东华.基于相关性分析的工业时序数据异常检测.软件学报,2020,31(3):726-747
基于相关性分析的工业时序数据异常检测
Anomaly Detection on Industrial Time Series Based on Correlation Analysis
投稿时间:2019-07-20  修订日期:2019-09-10
DOI:10.13328/j.cnki.jos.005907
中文关键词:  异常检测  多维时间序列  时序数据分析  工业大数据  机器学习
英文关键词:anomaly detection  multi-dimensional time series  temporal data analysis  industrial big data  machine learning
基金项目:国家重点研发计划(2016YFB100703);国家自然科学基金(U1509216,U1866602,61602129);CCF-华为数据库创新研究计划(CCF-Huawei DBIR2019005B)
作者单位E-mail
丁小欧 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001  
于晟健 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001  
王沐贤 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001  
王宏志 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001 wangzh@hit.edu.cn 
高宏 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001  
杨东华 哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001  
摘要点击次数: 802
全文下载次数: 3141
中文摘要:
      多维时间序列上的异常检测,是时态数据分析的重要研究问题之一.近年来,工业互联网中传感器设备采集并积累了大量工业时间序列数据,这些数据具有模式多样、工况多变的特性,给异常检测方法的效率、效果和可靠性均提出更高要求.序列间相互影响、关联,其隐藏的相关性信息可以用于识别、解释异常问题.基于此,提出一种基于序列相关性分析的多维时间序列异常检测方法.首先对多维时间序列进行分段、标准化计算,得到相关性矩阵,提取量化的相关关系;然后建立了时序相关图模型,通过在时序相关图上的相关性强度划分时间序列团,进行时间序列团内、团间以及单维的异常检测.在真实的工业设备传感器数据集上进行了大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从性能上优于基于统计和基于机器学习模型的基准算法.该研究通过对高维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对复杂模式的异常数据的精准识别.
英文摘要:
      Anomaly detection on multi-dimensional time series is an important research problem in temporal data analysis. In recent years, large-scale industrial time series data have been collected and accumulated by equipment sensors from Industrial Internet of Things (IIoT). These data show the feature of diversity data patterns and workflows, which requires high performance of anomaly detection methods in efficiency, effectiveness, and reliability. Besides, there exists latent correlation between sequences from different dimensions. The correlation information can be used to identify and explain anomalies in data. Based on this, this study proposes a correlation analysis based anomaly detection on multi-dimensional time series data. It first computes correlation values among sequences after standardization steps, and a time series correlation graph model is constructed. Time series cliques are constructed according to correlation degree in the time series correlation graph. Anomaly detection is processed within and out of a clique. Experimental results on a real industrial sensor data set show that the proposed method is effective in anomaly detection tasks in high dimensional time series data. Through contrast experiments, the proposed method is verified to have a better performance than both the statistic-based and the machine learning-based baseline methods. Research in this study achieves reliable correlation knowledge mining between time series, which not only saves time costs, but also identifies abnormal patterns form complex conditions.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利