Multi-variate multi-rate time series anomaly detection under domain shifts

Anomaly detection (AD) is crucial for ensuring the safety, efficiency, and productivity of modern industrial systems. However, in real-world applications, this task is complicated by various factors, such as the collection of data from multiple sensors operating at different rates. Traditional methods often fall short with multi-variate, multi-rate data, especially in operational settings that differ from the training environment, i.e., domain shifts. In this study, we develop a novel framework for unsupervised AD to address these challenges. We propose two prediction-based deep learning models to learn intra-sensor transfer functions under normal conditions for AD. This is done by masking sensor channels and using the remaining ones to estimate the masked channels. The first model, Random Masked Channel Estimator (RMCE), randomly masks one sensor channel at a time during training and relies on a single chain of fully-connected layers. A more efficient Parallel Masked Channel Estimator (PMCE) parallelizes the masking operation and uses a chain of dilated convolutional blocks to reduce parameter count and improve efficiency. To evaluate our approach, we introduce the Industrial Multi-sensor Anomaly Detection under Domain Shift Conditions (IMAD-DS) dataset, which includes motor and arm data collected under various operational conditions. This dataset addresses the lack of existing datasets that consider the complex scenarios of multi-variate, multi-rate AD under domain shift conditions. Experimental results demonstrate that the PMCE significantly outperforms traditional reconstruction-based models, particularly in scenarios involving complex sensor data and domain shifts.

Il rilevamento delle anomalie (RA) è fondamentale per garantire la sicurezza, l'efficienza e la produttività dei sistemi industriali più all'avanguardia. Tuttavia, in applicazioni pratiche, questo è complicato da vari fattori, come la raccolta di dati da più sensori che operano a frequenze di campionamento diverse. I sistemi di RA tradizionali spesso hanno prestazioni ridotte in presenza di dati multi-sensore e multi-rate, specialmente se applicati a contesti operativi differenti rispetto alle condizioni di addestramento di tali sistemi, denominati cambiamenti di dominio. In questo studio, sviluppiamo un nuovo framework per l’AD non supervisionato per affrontare queste sfide. Proponiamo due modelli di deep learning basati sulla previsione per apprendere le funzioni di trasferimento intrasensoriale in condizioni normali per l'AD. Ciò viene fatto mascherando i canali del sensore e utilizzando quelli rimanenti per stimare i canali mascherati. Il primo modello, Random Masked Channel Estimator (RMCE), maschera in modo casuale un canale del sensore alla volta durante l'addestramento e si basa su un'unica catena di livelli completamente connessi. Un più efficiente Parallel Masked Channel Estimator (PMCE) parallelizza l'operazione di mascheramento e utilizza una catena di blocchi convoluzionali dilatati per ridurre il conteggio dei parametri e migliorare l'efficienza. Per valutare il nostro approccio, introduciamo il set di dati Industrial Multi-sensor Anomaly Detection under Domain Shift conditions (IMAD-DS), che include dati sul motore e sul braccio raccolti in varie condizioni operative. Questo set di dati risolve la mancanza di set di dati esistenti che considerino i complessi scenari di AD multivariato e multi-rate in condizioni di spostamento del dominio. I risultati sperimentali dimostrano che il PMCE supera significativamente i tradizionali modelli basati sulla ricostruzione, in particolare in scenari che coinvolgono dati di sensori complessi e spostamenti di dominio.