新上线12天前0 投票
混合自编码器-孤立森林方法：ARRONAX C70XP回旋加速器运行数据的时间序列异常检测
背景：回旋加速器运行中的异常检测挑战
ARRONAX公共兴趣集团的C70XP回旋加速器是用于医学和研究应用放射性同位素生产的关键设备。这类系统不仅结构复杂、成本高昂，而且容易发生故障，导致运行中断，影响医疗诊断和治疗材料的供应。在工业4.0和智能运维的背景下，如何通过机器学习方法实现早期异常检测，成为提升系统可靠性和性能的重要课题。
传统方法的局限性
在异常检测领域，孤立森林（Isolation Forest, IF） 是一种广泛认可的方法，以其高效性和可扩展性著称。然而，IF方法依赖轴平行分割，这限制了它检测细微异常的能力——特别是那些发生在正常数据均值附近的异常。在回旋加速器这类精密设备的运行数据中，这类细微异常往往是早期故障的征兆，错过检测可能导致严重后果。
创新解决方案：混合自编码器-孤立森林方法
本研究提出了一种混合方法，将全连接自编码器（Autoencoder, AE） 与孤立森林相结合，以增强对细微异常的检测能力。具体而言：
- 自编码器的作用：AE通过学习传感器数据的压缩表示和重建，能够捕捉数据的潜在特征和正常模式。
- 关键创新点：使用AE重建传感器数据后的平均立方误差（Mean Cubic Error, MCE） 作为孤立森林模型的输入。MCE能够更敏感地反映重建误差，从而突出细微异常。
- 工作流程：传感器测量数据首先通过AE处理，计算MCE，然后将MCE序列输入IF模型进行异常检测。
验证与结果
该方法在质子束强度时间序列数据上进行了验证。实验结果表明，与单独使用孤立森林相比，混合方法在检测性能上显示出明显改进，能够更有效地识别早期和细微的异常模式。这为回旋加速器的预防性维护和运行优化提供了有力工具。
行业意义与展望
这项研究不仅针对特定设备，其方法可推广到其他复杂工业系统的异常检测中，如能源、制造和医疗设备领域。随着AI在工业物联网（IIoT）中的深入应用，结合深度学习和传统机器学习优点的混合模型，正成为解决实际运维难题的新趋势。未来，进一步集成实时数据处理和自适应学习机制，有望实现更智能的预测性维护系统。