从海量数据中精准找出机器故障的PerSANet新模型

在现代工业系统和智能电网中，设备每时每刻都在产生海量数据，这些按照时间顺序排列的数据被称为“时间序列”。如何从这些海量且复杂的时序数据中，及时且准确地发现设备故障或系统异常（例如短暂的电压尖峰或缓慢的传感器漂移），是保障工业生产安全的核心挑战。

近年来，深度学习技术在这一领域大放异彩。例如， TimesNet 的先进模型通过将一维（1D）的时间序列转化为二维（2D）的张量，取得了极佳的检测效果。现有的顶尖模型通常存在结构上的局限性：它们大多依赖单一尺度的卷积操作（可以理解为只用一种固定倍率的放大镜去观察数据）。这导致了“尺度不匹配（scale mismatch）”的问题。真实的工业场景中异常的持续时间长短不一，单一的观测尺度很难同时捕捉到极其短暂的系统毛刺和长期的趋势变化。

为了解决这一难题，研究人员提出了时序异常检测框架——PerSANet。该模型结合了多尺度特征提取与基于能量的注意力机制，像一位经验丰富的全科医生，能够更精准地“听诊”工业系统的脉搏。

PerSANet 的成功在于其内部构建了一个名为“结构-能量协同处理器（Structure-Energy Synergistic Processor）”的核心组件，这部分详细结构可以参考论文中的图2（Figure 2）。这个处理器包含两把关键的“利器”：

多尺度多核感知模块（Poly Kernel Inception, PKI）：灵感来源于遥感图像处理（类似于在复杂的地理背景中寻找微小目标）。在时间序列中，不同类型的异常跨越的时间长度不同。PKI模块通过并行的多种不同大小的卷积核（例如尺寸为3、5、7的深度可分离卷积），同时从微观和宏观层面捕捉异常信号。这就好比同时使用了多种不同焦段的镜头，确保无论异常是转瞬即逝还是缓慢发生，都不会被漏掉。

基于能量的注意力机制（SimAM）：在捕捉到复杂的特征后，模型需要知道哪里才是真正的重点。PerSANet 引入了源自神经科学能量理论的 SimAM 机制。这是一种无需额外训练参数的注意力机制，它就像一盏“能量聚光灯”。能够敏锐地突出那些高能量的异常区域，同时抑制掉正常的、规律性的背景噪音。如论文中图3（Figure 3） 的可视化结果所示，经过 SimAM 处理后，原本混杂在背景中的高能量（黄色）异常区域被显著放大并精准定位，而正常的背景响应则被有效抑制。

整个系统的工作流程是：将一维的输入时间序列通过快速傅里叶变换（FFT）找出主要的周期，接着将其重新排列成二维的周期-频率特征图，交由上述协同处理器进行分析，最后再还原回一维序列并计算异常得分。这一宏观架构在论文的图1（Figure 1）中有直观的展示。

为了验证 PerSANet 的实际效果如何，研究团队在三个广泛使用的真实世界基准数据集上进行了测试：

（1）SWaT（水处理测试平台）：代表了典型的工业控制场景，包含了诸如阀门故障和水泵失灵等复杂的异常，常表现为阶跃变化或趋势漂移。

（2）PSM（eBay 服务器指标）：收集自应用服务器节点，数据波动相对平滑，主要用于测试模型检测微小偏差的能力。

（3）SMD（大型互联网公司服务器数据）：充斥着显著的周期性尖峰和高频的局部异常，是测试模型捕捉瞬态异常能力的“试金石”。

真实的工业环境中，传感器数据往往伴随着噪声。因此，研究人员在测试数据中人为加入了高达原始信号标准差 50% 的高斯噪声，以评估模型的抗干扰能力。综合实验数据表明，PerSANet 在多个维度上展现出了优异且稳定的性能：

（1）综合指标（F1-score）领先：在 PSM、SWaT 和 SMD 数据集上，PerSANet 分别取得了 96.47%、91.02% 和 84.99% 的 F1 分数，相较于强大的基准模型 TimesNet，分别提升了 0.44 到 0.90 个百分点。

（2）高召回率保障安全：在工业安全等关键应用中，宁可错报也绝不能漏报。PerSANet 在三个数据集上都取得了最高的召回率（例如在 SWaT 上达到 90.15%），意味着它可以最大程度地减少危险异常的漏报现象。

（3）异常对比度更敏锐：通过论文的图4（Figure 4） 案例分析可以看出，在重建误差和异常得分的曲线中，PerSANet（红线）在真实的异常区间（橙色阴影部分）产生的异常得分峰值比对照组更加显著，拉大了正常与异常之间的对比度，从而降低了误报的概率。

（4）强大的抗噪与轻量化能力：在最高达 50% 的特征噪声干扰下，模型性能的下降幅度极小（在 SMD 和 SWaT 上下降不足 1 个百分点）。同时，该模型仅拥有约 473 万个参数，计算复杂度随序列长度呈近乎线性增长，非常适合部署在计算资源有限的工业边缘设备上。

学者介绍：王煜林，广州理工学院人工智能学院院长、教授、博士、硕士生导师，广州理工学院学术委员会委员、广东省人工智能实验教学示范中心主任，曾任广州理工学院计算机科学与工程学院科研副院长。主要从事人工智能、网络与信息安全及云计算技术研究，聚焦人工智能技术在网络安全防护中的应用、网络异常行为智能识别、信息系统安全防御，以及人工智能与云计算技术在网络安全和工程应用中的关键技术问题。

DOI:10.1109/ACCESS.2026.3662023

已收藏 0

点赞 0