使用终检测试数据对传动系统进行无监督监测的数据驱动框架：Ford Motor Company 案例研究

arXiv:2610.06980v1 公告类型：新摘要：从能源到汽车制造等各个行业，传感技术都在快速发展。这些系统会生成高维（HD）数据，其特征是复杂的非线性模式和强烈的时间依赖性。传统统计监测方法通常难以捕捉这类非线性结构。同样，终检测试中使用的许多分析方法依赖预定义阈值和启发式规则，这限制了它们从高维时序数据中检测具有信息价值的异常特征的能力。相比之下，尽管现代深度学习和生成式 AI 模型具有强大的预测能力，但在数据采集成本高昂，且监测系统必须具备可解释性、低延迟、计算高效并便于非技术人员使用的应用场景中，它们往往并不适用。为克服这些局限，我们提出了一种用于高维数据的先进多变量监测框架。该框架分为两个阶段。在第一阶段，对数据进行预处理，以移除不完整和无信息样本，并对时序数据进行时间对齐。在第二阶段，执行非线性降维，随后通过基于控制图的I阶段监测程序进行异常检测。根据训练期间是否能够获得真实标签，该框架既可用于无监督场景，也可用于有监督场景。此外，其灵活的模块化结构使实践人员能够根据不同领域和运行要求调整各个组件。我们使用来自 Ford Motor Company 汽车制造环境的真实生产数据，对所提出的框架进行了评估。与公司现有模型相比，所提出的方法取得了更高的准确率、召回率和 F1 分数，分别将这些指标从 0.50、0.30 和 0.429 提升至 0.625、1.00 和 0.769。