🔧 Detektor anomalii czujników — autoenkoder na żywo

Autoenkoder to sieć neuronowa trenowana do rekonstrukcji własnego wejścia poprzez wąską warstwę przewężenia (bottleneck), która zmusza ją do nauczenia się skompresowanej reprezentacji danych. Wytrenowana wyłącznie na normalnych odczytach czujników sieć staje się bardzo dobra w kompresowaniu i rekonstruowaniu wzorców, które widziała, ale słaba w rekonstruowaniu wzorców, których nigdy nie napotkała. Wykrywanie anomalii wykorzystuje ten fakt: podaj wytrenowanej sieci dowolny nowy odczyt i zmierz błąd rekonstrukcji, czyli średnią kwadratową różnicę między wejściem a wyjściem sieci. Normalne odczyty rekonstruują się z niskim błędem; odczyty wykraczające poza nauczoną rozmaitość rekonstruują się z wysokim błędem, ponieważ skompresowane przewężenie po prostu nie ma dla nich efektywnego kodu.

Gdyby warstwa ukryta była tak szeroka jak wejście, sieć mogłaby nauczyć się trywialnego odwzorowania tożsamościowego, które po prostu kopiuje każdą wartość wprost, a każde wejście, normalne czy anomalne, rekonstruowałoby się z niemal zerowym błędem, czyniąc wykrywanie anomalii bezużytecznym. Enkoder w tej symulacji kompresuje pięć kanałów czujników do przewężenia o 3 jednostkach, zanim lustrzany dekoder rozszerza je z powrotem do pięciu wyjść. To wąskie przewężenie zmusza sieć do odkrycia niskowymiarowej struktury, która faktycznie rządzi zdrową maszyną — jej wspólnego cyklu obciążenia — i odrzucenia wszystkiego, co wykracza poza tę strukturę.

W każdej klatce animacji symulacja losuje świeże syntetyczne normalne odczyty, nigdy prawdziwe pliki danych, przepuszcza je przez bieżącą sieć w przejściu w przód, oblicza średniokwadratowy błąd rekonstrukcji względem tego samego wejścia jako celu treningowego, a następnie wykonuje pełne przejście wstecz: reguła łańcuchowa jest stosowana warstwa po warstwie w celu obliczenia gradientów dla każdej wagi i obciążenia, wykorzystując pochodne tanh dla warstw ukrytych i zwykłą pochodną liniową dla warstwy wyjściowej, a następnie każdy parametr jest korygowany o minus szybkość uczenia razy jego gradient. Jest to prawdziwa propagacja wsteczna i spadek gradientu, zaimplementowane od podstaw w czystym JavaScript bez żadnej biblioteki uczenia maszynowego, a krzywą straty można obserwować, jak opada w miarę postępu treningu.

Dostępnych jest pięć trybów awarii: Skok czujnika, gdzie jeden kanał gwałtownie skacze o kilka normalnych odchyleń standardowych, Dryf czujnika, gdzie jeden kanał powoli oddala się od swojego zdrowego zakresu, Zablokowany czujnik, gdzie jeden kanał zamraża się na stałej wartości, podczas gdy rzeczywiste obciążenie wciąż się zmienia, Zerwanie korelacji, gdzie wszystkie czujniki wciąż się zmieniają, ale przestają zmieniać się razem, mimo że w prawdziwych maszynach czujniki są sprzężone przez wspólne obciążenie fizyczne, oraz Wybuch szumu, gdzie wszystkie kanały stają się znacznie bardziej zaszumione niż cokolwiek widziane podczas treningu. Ponieważ sieć nigdy nie była trenowana na żadnym z tych pięciu wzorców, każdy z nich zazwyczaj powoduje błąd rekonstrukcji od kilkudziesięciu do kilkuset razy wyższy niż normalna praca.

Suwak progu ustawia wartość błędu rekonstrukcji, powyżej której symulacja sygnalizuje WYKRYTO ANOMALIĘ. Ustawiony zbyt nisko spowoduje, że zwykłe zaszumione, ale zdrowe odczyty będą wywoływać fałszywe alarmy; ustawiony zbyt wysoko sprawi, że prawdziwe usterki przemkną się niewykryte. Powszechnym praktycznym podejściem, odzwierciedlonym tutaj, jest ustawienie progu kilka odchyleń standardowych powyżej średniego błędu rekonstrukcji zaobserwowanego na zwalidowanych normalnych danych, a następnie dostosowanie go podczas obserwacji wykresu błędu na żywo, aby zrównoważyć czułość z częstością fałszywych alarmów dla konkretnej monitorowanej maszyny.

To jest kluczowa sztuczka wykrywania anomalii opartego na autoenkoderach: ponieważ prawdziwe anomalie są rzadkie, zróżnicowane i często niemożliwe do przewidzenia z góry, zwykle nie jest praktyczne zebranie oznakowanego zbioru danych dla każdego możliwego trybu awarii. Zamiast tego sieć potrzebuje jedynie przykładów tego, jak wygląda normalność, których jest pod dostatkiem, i uczy się wykrywania anomalii jako nienadzorowanego produktu ubocznego dobrego kompresowania tych stale generowanych normalnych danych. Ta symulacja ściśle oddziela swój generator treningowy, który tworzy wyłącznie zdrowy skorelowany wzorzec czujników, od swojej ścieżki kodu wstrzykiwania anomalii na żywo, więc każdy wysoki błąd rekonstrukcji, który widzisz, jest prawdziwą, nieprzygotowaną porażką generalizacji, a nie zapamiętanym przykładem.

Tak. Pięć świecących węzłów czujników odpowiada pięciu kanałom wejściowym sieci: temperaturze, wibracji, ciśnieniu, prądowi i obrotom (RPM), a kolor i intensywność blasku każdego węzła są napędzane bezpośrednio przez podniesiony do kwadratu błąd rekonstrukcji tego kanału w bieżącej chwili — rzeczywisty odczyt minus rekonstrukcja sieci, podniesione do kwadratu. Kolor centralnej obudowy odzwierciedla łączny wynik względem bieżącego progu. Nic nie jest zaskryptowane ani wcześniej przygotowane: każda wartość pochodzi z przejścia w przód na żywo tej samej sieci pokazanej podczas treningu na wykresie straty.