اگر سیستم‌های پایش صنعتی شما قادر به شناسایی جهش‌های ناگهانی یا افت شدید مقادیر نیستند، مدل‌هایتان در واقع «کور» هستند. باید بدانید که بسیاری از روش‌های مدرن، با تمرکز بر هندسه الگوها، اطلاعات حیاتی دامنه سیگنال را حذف می‌کنند و همین امر باعث شکست در تشخیص بحران‌های واقعی می‌شود.
در ۹ ژوئن ۲۰۲۶، پژوهشگران طرح PAI (Preserving Amplitude Information) را معرفی کردند. به نقل از مستندات این طرح، این سازوکار امتیازدهی با بازیابی سیگنال‌های از دست رفته، توانسته است نرخ بهره‌وری VUS-PR را در بنچمارک‌های خاص تا ۹۸.۴٪ افزایش دهد.
طبق گزارش منتشر شده در arxiv.org، اکثر روش‌های مبتنی بر بازنمایی، اولویت را به هندسه الگو می‌دهند و در نتیجه بردار معنایی (Embedding) تولید شده، نسبت به دامنه (Amplitude) بی‌تفاوت است. این موضوع منجر به یک خطای سیستماتیک می‌شود: مدل‌ها ناهنجاری‌هایی را که صرفاً با تغییر در مقدار (بدون تغییر در شکل موج) تعریف شده‌اند، نادیده می‌گیرند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های مدل‌های بازنمایی در داده‌های صنعتی اشاره کردیم، اتکای مطلق به فضای نهفته (Latent Space) همواره ریسک حذف جزئیات آماری را دارد. PAI این مشکل را از طریق یک معماری دو بخشی حل می‌کند که نیاز به بازآموزی کامل مدل ندارد:
- ماژول تشخیص (Diagnostic Module): این بخش با مقایسه امتیازدهی کسینوسی و اقلیدسی در بانک بازنمایی، تشخیص می‌دهد که آیا اطلاعات دامنه در بردارهای یادگرفته‌شده حذف شده است یا خیر.
- تابع تقویت امتیاز (Score Augmentation Function): این ماژول، امتیاز میانه نقطه‌ای (Point-wise Median) و انحراف مطلق میانه (Median Absolute Deviation - MAD) را در کنار امتیاز تغییر میانگین محلی محاسبه کرده و با امتیاز بازنمایی ترکیب می‌کند.
در آزمایش‌های انجام شده روی مجموعه‌داده‌های TSB-AD-U-Eva و TAB UV، ترکیب PaAno + PAI توانست ۱۵٪ بهتر از پیشرفته‌ترین روش‌های فعلاً موجود (SOTA) عمل کند.
این دستاورد، این فرض فنی را که «بردارهای یادگرفته‌شده به‌تنهایی برای امتیازدهی ناهنجاری کافی هستند» به چالش می‌کشد. PAI ثابت می‌کند که حفظ صریح اطلاعات دامنه، پیش‌شرط دستیابی به دقت بالا در سیستم‌های TSAD است و در واقع به عنوان یک پوشش بهبوددهنده (Performance Wrapper) برای هر آشکارساز مبتنی بر بازنمایی عمل می‌کند.
گام بعدی شما
- خط لوله‌های فعلی تشخیص ناهنجاری خود را برای شناسایی شکست‌ها در ناهنجاری‌های مبتنی بر دامنه (Amplitude-specific) ارزیابی کنید.
- کد منبع PAI را که در arXiv منتشر شده است، برای تست روی داده‌های صنعتی خود به کار بگیرید.
- تأثیر ترکیب امتیازدهی‌های چندگانه بر تأخیر (Latency) استنتاج در محیط‌های بلادرنگ را بررسی کنید.
اما هزینه محاسباتی این دقت بالا، جایی است که تضادهای واقعی شروع می‌شوند؛ در تحلیل بعدی به بهینه‌سازی استنتاج در سیستم‌های پایش صنعتی خواهیم پرداخت.
گفتگو