时间序列异常检测

Question

我想听听关于时间序列问题的建议。该数据是关于飞行翼上的应变计，采用不同的传感器进行测量。基本上，我们是通过模拟物理模型来创造异常。我们有一个基线，它工作得很好，然后通过改变一些因素产生一些异常，并随着时间的推移进行记录。我们的目的是建立一个模型，可以在现场测试中发现异常(可以是机翼上的裂缝)，基本上是利用统计方法或机器学习进行实时异常检测。

Answer 1

一些想法--根据时间分配从上到下大致排序(假设很少/没有先前的ML知识)：

• 开始简单并验证:对于您所描述的内容，这可能是非常简单的

- create a training / validation dataset using your simulator - since you can simulate, do so for significant episodes of both "standard" and extreme forces applied to the wing

- choose a real time smoother: e.g., exponential averaging or moving average, determine a proper parameter for each of your input sensor signals.  smooth the input signals.

- determine threshold values:

• 创建粗略但合理的下限阈值-使用简单的统计数据来确定一个像样的阈值(例如，使用适当大小的移动固定长度窗口，并将阈值设置在该窗口的标准差的倍数处，在整个信号中滑动)

- in either case, testing on further simulated (and - ideally also - real data)

如果像这样的努力“足够好”-停止并继续下一个(面)问题。如果不是

• 按照前两个步骤(模拟和平滑数据)
• 采用“自回归”方法，通过在输入信号上运行一个固定长度的滑动窗口，创建训练/验证输入/输出对。对每个输入信号或所有输入信号对进行简单的有监督的学习，以产生一组(一组)时间序列模拟数据检测器。与数据的验证部分交叉验证。

- use this model (or one like it) on your validation data to test performance - and ideall collect real data (not simulated) to validate your model even further on.

如果这种方法产生“足够好”的结果--停止，然后转移到问题的下一个方面。

如果没有，请检查并尝试在聚合器(如可怕的回购 )上列出的多种语言编码的任意数量的异常检测方法，用于时间序列异常检测。