用于系统级异常检测的自监督变分图自动编码器
？无监督异常检测 （AD） 方法，无论是基于重建的还是基于预测的，都根据残差确定异常。单个变量中的偶尔突变可能会导致残差超过限值。事实上，这种突变并不是系统运行机制的变化。因此，系统级异常很难表征。复杂网络（或“图”）非常适合建模和表征复杂系统的演化规律。但是，大多数工业场景都没有图表。因此，提出了一种自监督变分图自动编码器 （SS-VGAE） 方法。首先，通过去趋势互相关分析 （DCCA） 构建多源传感器动态图;其次，设计目标和自我监督学习任务。目标任务是重建输入图结构，以最大限度地减少重建损失。自我监督的任务是学习潜在空间中超球体的最佳中心，以便尽可能地将平均特征聚集到中心。多任务联合优化允许同时考虑高维和低维空间特征，从而提高异常分数的可靠性。然后，计算异常分数的分布并将其集成到系统运行状况指标 （HI） 中。系统 HI 更适用于辅助决策。最后，通过核个人计算机瞬态分析仪 （PCTRAN） 模拟数据和 Skoltech 异常基准 （SKAB） 数据证明了所提方法的优越性，即更好的检测精度和鲁棒性。最后但并非最不重要的一点是，发现系统性异常使变量之间的相关性更强。
