一种基于多模态时序数据融合的工业物联网系统异常检测方法

摘要

工业物联网(IIoT)系统异常检测通过实时监控工业设备和网络的状态，及时发现潜在问题，是保障生产连续性和设备安全，实现从传统的定期维护到预测性维护的转变的重要手段.由于工业物联网系统的异常往往难以大量捕获和标注，因此无监督学习是目前的主流方法.然而，由于无监督学习技术的限制，现有方法大多仅考虑单一模态的数据(如多维时序传感数据),导致对复杂隐蔽的异常的检测能力不足.为此，本文提出了一种基于多模态时序数据融合的工业物联网异常检测方法.该方法考虑工业物联网系统中常见的两类异构时序数据(传感器数据与网络流量数据),首先构建独立的传感数据自编码器与网络流量数据自编码器，以捕获各自的时序特征.随后，通过一种面向无监督学习的集成框架对不同自编码器的重构误差进行建模，并利用全局自编码器融合多模态信息，以实现跨模态异常检测.实验结果表明，相较于传统的单一模态检测方法，本文方法在ToN＿IoT数据集上的F1分数提升了7%～40%,有效提高了异常检测的准确性和鲁棒性.

关键词

异常检测 / 工业物联网 / 自动编码器 / 多模态时序数据融合

基金资助

国家自然科学基金项目(62372410)资助; 杭州市重点科研计划项目(2024SZD0220)资助; 浙江省尖兵计划项目(2024C01066,2025C01013)资助; 嘉兴市科技计划项目(2025CGZ046)资助