AWDTR：一种基于自适应小波多尺度分解与时频域重构的工业时间序列异常检测模型

《Neurocomputing》：AWDTR: An industrial time series anomaly detection model based on adaptive wavelet multiscale decomposition and time-frequency domain reconstruction

　　

随着工业控制系统向智能化发展，时序数据异常检测已成为保障生产安全与效率的关键。然而，工业数据通常具有高维度和强噪声特征，这增加了分析难度并降低了可靠性。当前大多数方法仅依赖时域分析，难以全面捕捉多变量数据间的复杂关系，且往往缺乏有效的噪声抑制机制，从而限制了检测精度。为解决这些挑战，研究人员提出了一种基于自适应小波分解的时频域联合重构异常检测算法。首先，研究人员引入了复数频域重构学习机制，并设计了时频域协同建模方法，该方法能够关注关键频率分量，有效增强了模型对复杂模式的表征能力。其次，研究人员构建了基于自适应小波变换的多尺度分解框架，实现了不同尺度下局部细节与全局趋势的联合学习，同时有效抑制了噪声干扰。实验结果表明，与现有的先进方法相比，该方法在多个真实工业数据集上均取得了更优的检测性能，验证了其复杂噪声环境下的有效性与鲁棒性。

AWDTR：一种基于自适应小波多尺度分解与时频域重构的工业时间序列异常检测模型

研究背景与意义

随着工业生产自动化与智能化的飞速发展，工业控制系统（Industrial Control Systems, ICS）已成为现代工业的核心。系统中部署的大量传感器持续采集多维时间序列数据，实时记录温度、压力、流量等关键参数的变化，这些数据不仅反映了生产系统的运行状态，还包含了设备运行逻辑及潜在风险信号。工业自动化的高效稳定运行依赖于传感器、执行器与控制系统的协同工作，然而，一旦系统遭遇硬件故障、网络入侵或外部干扰，极易引发严重事故，危及生命财产安全。因此，准确分析工业时间序列数据以实现有效异常检测并预先定位系统异常，成为保障生产安全与稳定的核心课题。

传统的异常检测方法主要依赖数理统计原理，如构建正常行为统计模型的统计方法、识别远离正常轮廓或成员较少的聚类分析、比较时间序列窗口与最近邻距离的距离方法，以及关注低密度区域的密度方法。这些方法在处理单变量时间序列时表现出色，但随着物联网技术的发展，真实工业场景中大量传感器产生的连续时间序列数据使得变量间的相互作用变得极其复杂。例如在水处理厂系统中，阀门状态的微小变化可能引发水压和流量的连锁反应，这种复杂的耦合关系导致工业时间序列数据具有高度非线性和强周期性依赖，加之设备老化、状态波动和网络传输问题引入的大量噪声，严重影响了数据的完整性，给异常检测带来了巨大挑战。

近年来，深度学习技术在多维工业时间序列数据处理方面取得了显著进展。从时间卷积网络（TCN）、图神经网络（GNN）、长短期记忆网络（LSTM）到目前广泛应用的Transformer模型，特征提取能力显著提升。然而，这些方法大多仅在时域进行特征提取，难以充分应对复杂周期依赖关系的挑战。尽管部分研究开始关注频域学习并尝试融合时频信息，但在时频特征的深度融合上仍存在不足，频域信息往往仅作为辅助支持，未能充分挖掘其潜在特征以提升数据分析的准确性与鲁棒性。针对上述多维数据与噪声问题，研究人员提出了一种名为自适应小波分解时频重构异常检测（AWDTR）的新方法，旨在通过自适应噪声抑制、深度频域建模与紧密的时频融合来突破现有技术瓶颈。

关键技术与方法

为实现上述研究目标，研究人员采用了多项关键技术。首先，构建了自适应小波多尺度分解框架，利用自适应小波变换对信号进行多尺度分解，有效过滤高频噪声并提取宏观信息与局部细节进行联合重构。其次，引入复数频域重构学习机制，利用基于傅里叶变换的复数频域注意力模块增强对复杂频域信息的建模能力。最后，结合时域双图注意力网络，构建了融合频域与时域特征的异常检测模型，实现了多维特征依赖的时频域联合学习。实验验证环节，研究人员在四个来自工业控制领域的真实多维时间序列数据集上进行了测试，并与现有的基线方法进行了对比。

研究结果

相关研究

近年来，随着深度学习技术的快速发展，时间序列异常检测的研究逐渐从单变量场景扩展至多变量场景。当前研究主要集中在两类方法：基于预测的方法和基于重构的方法。前者通过预测未来值并与实际观测值进行比较来识别异常，后者则通过重构输入数据并分析重构误差来检测异常。

问题陈述

在工业物联网生产环境中，来自各种设备和传感器的单变量时间序列数据被整合为具有连续等时间间隔的多维时间序列数据。该多元时间序列数据可被形式化定义为一个矩阵 X∈RL×N，其中 L代表时间序列的长度，N表示每个样本点中包含的不同特征的数量。研究旨在无监督环境下解决这一异常检测问题。

实验

研究人员通过一系列实验验证了所提模型的有效性。实验首先介绍了所使用的工业数据集、性能评估指标及对比方法。随后，通过对比实验和消融实验深入分析了模型的整体性能及各独立模块的贡献，并最终对实验结果进行了总结。

结论

本文提出了一种名为AWDTR的异常检测模型，旨在解决工业生产环境中的多变量时间序列异常检测难题。该方法利用自适应小波变换构建了多尺度分解框架，在过滤高频噪声的同时提取多时间尺度的特征信息，从而更准确地重构数据特征并捕捉复杂的依赖关系。此外，AWDTR引入了复数频域重构学习机制，结合时域双图注意力网络，实现了多维特征依赖的联合时频域学习。这种整合增强了上下文检测能力并提高了检测精度。在各种多变量时间序列异常检测基准数据集上的广泛实验表明，该模型优于大多数最新的先进方法，证明了其在复杂工业环境下的有效性与鲁棒性。

致谢

本研究得到了宁波市重点研发计划（批准号：2023Z057）的支持。