CN116127391A - 一种基于多变量时序数据重构确定异常的方法 - Google Patents
一种基于多变量时序数据重构确定异常的方法 Download PDFInfo
- Publication number
- CN116127391A CN116127391A CN202310321642.0A CN202310321642A CN116127391A CN 116127391 A CN116127391 A CN 116127391A CN 202310321642 A CN202310321642 A CN 202310321642A CN 116127391 A CN116127391 A CN 116127391A
- Authority
- CN
- China
- Prior art keywords
- data
- self
- time
- sample
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于多变量时序数据重构确定异常的方法,包括:获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;使用变分自编码器VAE的编码器,对所述时序数据中对应于目标时间窗的目标子序列进行编码,得到隐空间中的编码序列;使用自注意力模型对所述编码序列在时间维度上进行基于自注意力机制的处理,得到注意力表征;使用变分自编码器VAE的解码器对所述注意力表征进行解码,得到对所述目标子序列的重构数据;将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常。
Description
技术领域
本发明涉及半导体制造领域,尤其涉及一种基于多变量时序数据重构确定异常的方法。
背景技术
在半导体制造过程中,同一个机台上一般会有多个传感器同时监控生产状态。同一个机台上的各个传感器之间是存在关联性的,当某种异常情况发生时,某些相互存在关联的传感器可能会同时生成异常数据,进而产生报警。
现有技术将这些传感器数据利用单变量时序预测分别建模,对每个传感器产生的数据单独预测,然后与真实数据进行比较,根据比较的结果判断是否报警。然而,这种方法可能会产生假报警,即在实际并未发生异常的情况下,某个传感器由于自身故障或者环境噪音影响等因素而错误地产生报警信息。这会造成整个监控系统的冗余,增加生产设备的维护成本。
发明内容
本说明书一个或多个实施例描述了一种基于多变量时序数据重构确定异常的方法,将多个传感器产生的数据利用多变量时序异常重构模型同时建模,综合任一时间点上所有传感器的重构数据与真实数据进行比较,以得到更好地预测结果。
本说明书提供了一种基于多变量时序数据重构确定异常的方法,包括:
获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;
使用变分自编码器VAE的编码器,对所述时序数据中对应于目标时间窗的目标子序列进行编码,得到隐空间中的编码序列;
使用自注意力模型对所述编码序列在时间维度上进行基于自注意力机制的处理,得到注意力表征;
使用变分自编码器VAE的解码器对所述注意力表征进行解码,得到对所述目标子序列的重构数据;
将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常。
在一种可能的实施方式中,还包括:
当所述时间点出现异常时,根据所述重构数据与所述目标子序列,确定异常传感器与对应的异常类型。
在一种可能的实施方式中,还包括:
根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
在一种可能的实施方式中,将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常,包括:
计算所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据之间的误差,根据所述误差与预设的第一阈值的比较结果,确定所述目标时间点是否出现异常。
在一种可能的实施方式中,根据所述重构数据与所述目标子序列,确定异常传感器与对应的异常类型,包括:
根据所述多个传感器中任一目标传感器在所述重构数据和所述目标子序列中所对应的数据,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。
在一种可能的实施方式中,所述异常类型至少包括:过低、过高、持续降低、持续升高、波动。
在一种可能的实施方式中,所述变分自编码器VAE和自注意力模型通过样本时序数据训练得到,所述训练包括:
将所述样本时序数据中的数据序列切分为若干尺寸相同的序列片段;
使用所述若干序列片段对所述变分自编码器VAE和自注意力模型进行多轮训练,每轮训练使用所述若干序列片段中的一个样本序列片段,所述样本序列片段对应于样本时间窗,任意一轮训练包括:
使用变分自编码器VAE的编码器对所述样本序列片段进行编码,得到隐空间中的样本编码序列;
使用自注意力模型对所述样本编码序列在时间维度上进行基于自注意力机制的处理,得到样本注意力表征;
使用变分自编码器VAE的解码器对所述样本注意力表征进行解码,得到对所述样本序列片段的样本重构数据;
通过最小化所述样本重构数据与所述样本序列片段在所述样本时间窗的最后一个时间点上对应的数据的误差,调整所述变分自编码器VAE和自注意力模型中的参数的值。
在一种可能的实施方式中,在确定对应的知识点之后,所述方法还包括:
将所述知识点添加到临时知识库中,对所述临时知识库中的知识点进行去重处理;
利用去重处理后所述临时知识库中的知识点,生成或更新所述知识图谱。
在一种可能的实施方式中,所述自注意力模型为Transformer模型的编码器。
在一种可能的实施方式中,所述误差的类型至少包括:均方根误差RMSE、均方误差MSE和平均绝对误差MAE。
本发明提出的一种基于多变量时序数据重构确定异常的方法,将多个传感器产生的数据利用多变量时序异常重构模型同时建模,综合任一时间点上所有传感器的重构数据与真实数据进行比较,以得到更好地预测结果。同时,相比于多个单变量模型的形式,使用一个多变量模型建模可以减少维护成本。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书披露的多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例公开的一种基于多变量时序数据重构确定异常的方法的框架图;
图2为本发明实施例公开的一种基于多变量时序数据重构确定异常的方法的流程图;
图3为本发明实施例公开的训练变分自编码器VAE和自注意力模型的方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据一个实施例,图1示出基于多变量时序数据重构确定异常的方法的框架。如图1所示,所述方法所使用的框架主要包含三个部分,分别为编码器、自注意力模型和解码器。其中,编码器和解码器可以分别使用变分自编码器VAE的编码器和解码器,自注意力模型可以使用Transformer模型的编码。
多变量时序数据在进入编码器编码成为隐空间中的编码序列,经过自注意力模型对所述编码序列在时间维度上进行基于自注意力机制的处理,再使用变分自编码器VAE的解码器对所述注意力表征进行解码,得到对所述目标子序列的重构数据。将某一时间点的重构数据与该时间点的原始多变量时序数据(实测数据)进行比较,以判断该时间点是否出现异常。
以下将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图2为本发明实施例公开的一种基于多变量时序数据重构确定异常的方法的流程图。如图2所示,所述方法至少包括:步骤201,获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;步骤202,使用变分自编码器VAE的编码器,对所述时序数据中对应于目标时间窗的目标子序列进行编码,得到隐空间中的编码序列;步骤203,使用自注意力模型对所述编码序列在时间维度上进行基于自注意力机制的处理,得到注意力表征;步骤204,使用变分自编码器VAE的解码器对所述注意力表征进行解码,得到对所述目标子序列的重构数据;步骤205,将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常。
在步骤201,获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据。
时序数据为半导体制造过程中设备的传感器产生的原始数据经由FDC系统处理之后得到的数据。一个半导体生产机台安装有很多个传感器,每个传感器监控机台上的一种参数,如温度、湿度、电压、电流、压强等。传感器在一段时间内输出的任意一种参数的值经由FDC系统处理之后,都会得到一组单变量时序数据。在综合所有传感器的时序数据后,便能得到多变量时序数据。
多变量时序数据可以表示为D={X1,X2,...,Xn},Xi∈Rk表示k个传感器在第i个时间点对应的值,Xi是一个k维向量,其中,k为传感器的数量,i=1,2,...,n。
在步骤202,使用变分自编码器VAE的编码器,对所述时序数据中对应于目标时间窗的目标子序列进行编码,得到隐空间中的编码序列。
具体地,预设一个长度为ω的目标时间窗口,则截止到第t个时间点的目标子序列可以表示为St={Xt-ω+1,Xt-ω+2,...,Xt}。将目标子序列St使用VAE的编码器进行编码,得到隐空间中的编码序列Vt。应当理解的是,此处的t≥ω。
在步骤203,使用自注意力模型对所述编码序列Vt在时间维度上进行基于自注意力机制的处理,得到注意力表征Zt。
在一个实施例中,所述自注意力模型为Transformer模型的编码器。
在步骤205,将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常。
在一个实施例中,计算所述目标子序列St与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据之间的误差,即计算Xt与之间的误差,根据所述误差与预设的第一阈值的比较结果,确定所述目标时间点是否出现异常。例如,当误差大于第一阈值时,判定为第t个时间点出现异常。
对误差的计算可以有多种方法,例如使用均方根误差RMSE、均方误差MSE或平均绝对误差MAE,这里不做限定。
通过步骤201至步骤205,使用变分自编码器VAE和基于自注意力机制的模型对多变量时序数据进行重构,通过将任一时间点上所有传感器的重构数据与真实数据进行比较,以得到更好地预测结果。
在一些可能的实施方式中,所述方法还包括:步骤206,当所述时间点出现异常时,根据所述重构数据与所述目标子序列,确定异常传感器与对应的异常类型。
在一个实施例中,根据所述多个传感器中任一目标传感器在所述重构数据和所述目标子序列Xt中所对应的数据,即和Xt在目标传感器对应的维度上的分量,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。例如,当误差大于阈值时,判定为在第t个时间点时目标传感器出现异常,同时,根据所述目标传感器检测的机台参数类型,确定对应的异常类型。
上述目标传感器所对应的预设阈值可以由工程师根据实际情况或者经验进行设定,也可以由一些数据模型根据历史数据计算得出。也可以根据实际情况,对不同的传感器设定不同的阈值。
由于在步骤206中所述的误差为标量之间的误差,在计算误差时,可以直接求二者的差值,或者求差值的绝对值,这里不做限定。
在另一个实施例中,所述异常类型至少包括:过低、过高、持续降低、持续升高、波动。
在一些可能的实施方式中,所述方法还包括:步骤207,根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
在一些实施例中,由于在某个时间点上,可能同时存在多个异常类型,对应为多个目标传感器出现异常,此时,所述知识点可以为多元组形式,具体地,多元组的形式为(异常类型1,…异常类型m,设备编号,晶圆编号)。例如,一个具体的知识点可以为(温度过高,压强过高,机台2,wafer3),wafer代表晶圆。
在一些可能的实施方式中,所述方法还包括:步骤208,将所述知识点添加到临时知识库中,对所述临时知识库中的知识点进行去重处理;步骤209,利用去重处理后所述临时知识库中的知识点,生成或更新所述知识图谱。
图2所包含的步骤为使用训练好的模型对数据进行重构和异常检测的步骤;训练所述模型的方法步骤如图3所示。
图3为本发明实施例公开的训练变分自编码器VAE和自注意力模型的方法的流程图。如图3所示,变分自编码器VAE和自注意力模型通过样本时序数据训练得到,所述训练至少包括:步骤310,将所述样本时序数据中的数据序列切分为若干尺寸相同的序列片段;步骤320,使用所述若干序列片段对所述变分自编码器VAE和自注意力模型进行多轮训练,每轮训练使用所述若干序列片段中的一个样本序列片段,所述样本序列片段对应于样本时间窗,任意一轮训练包括:步骤321,使用变分自编码器VAE的编码器对所述样本序列片段进行编码,得到隐空间中的样本编码序列;步骤322,使用自注意力模型对所述样本编码序列在时间维度上进行基于自注意力机制的处理,得到样本注意力表征;步骤323,使用变分自编码器VAE的解码器对所述样本注意力表征进行解码,得到对所述样本序列片段的样本重构数据;步骤324,通过最小化所述样本重构数据与所述样本序列片段在所述样本时间窗的最后一个时间点上对应的数据的误差,调整所述变分自编码器VAE和自注意力模型中的参数的值。
在步骤310,将所述样本时序数据中的数据序列切分为若干尺寸相同的序列片段,记为D1,D2,...,Dm。
在步骤320,使用所述若干序列片段对所述变分自编码器VAE和自注意力模型进行多轮训练,每轮训练使用所述若干序列片段中的一个样本序列片段Di,所述样本序列片段对应于样本时间窗,任意一轮训练包括步骤321至步骤324。
在步骤321,使用变分自编码器VAE的编码器对所述样本序列片段Di进行编码,得到隐空间中的样本编码序列Vi。
在步骤322,使用自注意力模型对所述样本编码序列在时间维度上进行基于自注意力机制的处理,得到样本注意力表征Zi。
在一个实施例中,所述自注意力模型为Transformer模型的编码器。
对误差的计算可以有多种方法,例如使用均方根误差RMSE、均方误差MSE或平均绝对误差MAE,这里不做限定。
在使用序列片段D1,D2,...,Dm对VAE和自注意力模型进行多轮训练之后,即可得到训练完成的VAE和自注意力模型,可以用于图2中所述相关步骤的重构与异常检测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多变量时序数据重构确定异常的方法,包括:
获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;
使用变分自编码器VAE的编码器,对所述时序数据中对应于目标时间窗的目标子序列进行编码,得到隐空间中的编码序列;
使用自注意力模型对所述编码序列在时间维度上进行基于自注意力机制的处理,得到注意力表征;
使用变分自编码器VAE的解码器对所述注意力表征进行解码,得到对所述目标子序列的重构数据;
将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常。
2.根据权利要求1所述的方法,其特征在于,还包括:
当所述时间点出现异常时,根据所述重构数据与所述目标子序列,确定异常传感器与对应的异常类型。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
4.根据权利要求1所述的方法,其特征在于,将所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据进行比较,确定所述时间点是否出现异常,包括:
计算所述目标子序列与所述重构数据在所述目标时间窗的最后一个时间点上所对应的数据之间的误差,根据所述误差与预设的第一阈值的比较结果,确定所述目标时间点是否出现异常。
5.根据权利要求2所述的方法,其特征在于,根据所述重构数据与所述目标子序列,确定异常传感器与对应的异常类型,包括:
根据所述多个传感器中任一目标传感器在所述重构数据和所述目标子序列中所对应的数据,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。
6.根据权利要求2所述的方法,其特征在于,所述异常类型至少包括:过低、过高、持续降低、持续升高、波动。
7.根据权利要求1所述的方法,其特征在于,所述变分自编码器VAE和自注意力模型通过样本时序数据训练得到,所述训练包括:
将所述样本时序数据中的数据序列切分为若干尺寸相同的序列片段;
使用所述若干序列片段对所述变分自编码器VAE和自注意力模型进行多轮训练,每轮训练使用所述若干序列片段中的一个样本序列片段,所述样本序列片段对应于样本时间窗,任意一轮训练包括:
使用变分自编码器VAE的编码器对所述样本序列片段进行编码,得到隐空间中的样本编码序列;
使用自注意力模型对所述样本编码序列在时间维度上进行基于自注意力机制的处理,得到样本注意力表征;
使用变分自编码器VAE的解码器对所述样本注意力表征进行解码,得到对所述样本序列片段的样本重构数据;
通过最小化所述样本重构数据与所述样本序列片段在所述样本时间窗的最后一个时间点上对应的数据的误差,调整所述变分自编码器VAE和自注意力模型中的参数的值。
8.根据权利要求3所述的方法,其特征在于,在确定对应的知识点之后,所述方法还包括:
将所述知识点添加到临时知识库中,对所述临时知识库中的知识点进行去重处理;
利用去重处理后所述临时知识库中的知识点,生成或更新所述知识图谱。
9.根据权利要求1所述的方法,其特征在于,所述自注意力模型为Transformer模型的编码器。
10.根据权利要求4或7所述的方法,其特征在于,所述误差的类型至少包括:均方根误差RMSE、均方误差MSE和平均绝对误差MAE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321642.0A CN116127391A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多变量时序数据重构确定异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321642.0A CN116127391A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多变量时序数据重构确定异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116127391A true CN116127391A (zh) | 2023-05-16 |
Family
ID=86299331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310321642.0A Pending CN116127391A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多变量时序数据重构确定异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127391A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933195A (zh) * | 2023-07-31 | 2023-10-24 | 浙江大学 | 一种基于深度学习的加密流量异常检测方法及装置 |
-
2023
- 2023-03-29 CN CN202310321642.0A patent/CN116127391A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933195A (zh) * | 2023-07-31 | 2023-10-24 | 浙江大学 | 一种基于深度学习的加密流量异常检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
CN109978379B (zh) | 时序数据异常检测方法、装置、计算机设备和存储介质 | |
Li et al. | Anomaly detection with generative adversarial networks for multivariate time series | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
CN112131272B (zh) | 多元kpi时间序列的检测方法、装置、设备及存储介质 | |
EP2327019B1 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN111708739A (zh) | 时序数据的异常检测方法、装置、电子设备及存储介质 | |
CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
KR102321440B1 (ko) | 이질적 다변량 시변 데이터를 이용한 이상 감지 장치 및 방법 | |
CN112462261B (zh) | 一种电机异常检测方法、装置、电子设备及存储介质 | |
CN116127391A (zh) | 一种基于多变量时序数据重构确定异常的方法 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN113537352B (zh) | 传感器异常值监测方法、装置、计算机设备及存储介质 | |
KR102525187B1 (ko) | 시계열 기반 이상 탐지 방법 및 시스템 | |
CN116502164A (zh) | 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
US11841295B2 (en) | Asset agnostic anomaly detection using clustering and auto encoder | |
CN116090558A (zh) | 一种基于spc数值序列数据生成知识点的方法 | |
CN116340872A (zh) | 一种基于重构和预测联合确定异常的方法 | |
JP2022140294A (ja) | 欠損データを回復するためにオートエンコーダアーキテクチャを有するニューラルネットワークをトレーニングするためのシステムおよび方法 | |
KR102623389B1 (ko) | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 | |
Jiang et al. | A timeseries supervised learning framework for fault prediction in chiller systems | |
JP2009110262A (ja) | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |