[Paper] 可解释的异常检测用于工业物联网数据流

Source: arXiv - 2512.08885v1

Overview

本文提出了一种 实时、可解释的异常检测框架，用于工业物联网（IIoT）数据流。通过将在线版 Isolation Forest 与即时可解释性工具相结合，作者实现了操作员能够 即时发现故障并理解原因——这对于计算资源稀缺、标签稀缺的车间维护决策至关重要。

Key Contributions

• 协同流式管道，将无监督异常检测与人机交互反馈环路相耦合。
• 在线 Isolation Forest 实现，能够在新传感器读数到达时增量更新模型。
• 增量部分依赖图 (iPDP) 与一种新颖的 特征重要性评分，该评分基于 Individual Conditional Expectation (ICE) 曲线相对于衰减平均的偏差，为每个实例提供解释。
• 动态阈值调整，依据用户驱动的相关性重新评估，使操作员在无需重新训练整个模型的情况下调节灵敏度。
• 在 Jacquard 织机单元上的原型部署，展示了在真实制造环境中进行故障检测的可行性。

Methodology

1. 数据流摄取 – 传感器读数（振动、温度、电机电流等）从边缘设备流向轻量级处理节点。
2. 在线 Isolation Forest – 对每个进入的样本计算 “隔离深度” 分数；模型增量更新树结构，避免昂贵的批量再训练。
3. 可解释性层
   • 对每个评分实例，即时计算 ICE 曲线（针对每个特征）。
   • 维护 过去 ICE 曲线的衰减平均（旧曲线指数衰减）。
   • 当前 ICE 曲线与该平均值的 偏差 产生 重要性评分，突出导致异常的特征。
   • 增量 PDP 汇总这些偏差，提供随时间变化的全局特征相关性视图。
4. 人机交互 – 操作员可以检查 iPDP/重要性可视化，确认或拒绝异常，并调整异常阈值。系统立即将该反馈纳入，优化后续检测。

Results & Findings

• 在 Jacquard 织机数据集上，在线 Isolation Forest 实现了 ≈ 92 % 的检测率（针对模拟轴承故障），且 误报率低于 5 %。
• 可解释性模块在 > 80 % 的真实异常中正确识别出 振动轴向 和 温度峰值 为主要贡献因素，符合领域专家的预期。
• 交互式阈值调优将 误报的平均解决时间 缩短约 30 %，因为操作员能够快速抑制虚假警报，无需等待模型再训练。
• 计算资源占用保持在 5 % 以下的 CPU 使用率（在 ARM Cortex‑A53 边缘网关上），证实了其在资源受限环境中的适用性。

Practical Implications

• 更快的维护决策 – 操作员不仅收到警报，还能得到简明的 “原因”（例如 “温度 ↑，振动 X 轴 ↑”），从而立即采取纠正措施。
• 降低停机时间 – 早期、可解释的轴承磨损检测可触发预测性维护，防止灾难性故障，节省高昂的生产停工成本。
• 可扩展的边缘部署 – 轻量、增量的算法可运行在现有 PLC 或边缘网关上，避免昂贵的云端往返。
• 以人为中心的 AI – 将专家保留在循环中，尊重现有维护工作流并建立信任，这常是工业黑箱模型的主要障碍。
• 可移植性 – 框架对传感器无特定依赖；将织机换成 CNC 机床或输送带仅需重新配置特征集，无需重新设计检测引擎。

Limitations & Future Work

• 当前评估仅限于 单台织机单元；需要在更广泛的机器上进行验证，以确认通用性。
• 标签稀缺 仍是挑战；虽然系统可无监督运行，但更丰富的标注数据集有望提升阈值校准并进一步降低误报。
• 可解释性方法依赖 ICE 曲线的稳定性；高度噪声的传感器可能导致重要性评分波动，需要额外的平滑技术。
• 正在进行的工作旨在将管道扩展至 轴承故障的预测性预测（不仅是检测），并集成 持续学习，实现对数月运行期间传感器漂移的自动适应。

Authors

• Ana Rita Paupério
• Diogo Risca
• Afonso Lourenço
• Goreti Marreiros
• Ricardo Martins

Paper Information

• arXiv ID: 2512.08885v1
• Categories: cs.LG
• Published: December 9, 2025
• PDF: Download PDF