摘要：寶信和英特爾相關團隊利用Analytics Zoo在無監(jiān)督的基于時間序列異常檢測用例上進行了有益的合作探索，本文分享了合作項目的結果和經(jīng)驗。

背景----

在工業(yè)制造行業(yè)，有多種方法來避免由于設備失效導致的生產(chǎn)中斷。常見的方法是定期檢修維護，或者提前更換設備零部件，這些方法都可能會增加設備維護和更換的投入。然而，另一個可行的方法是收集不同設備的大量振動數(shù)據(jù)，并使用這些數(shù)據(jù)自動檢測設備狀態(tài)的異常。因此，有效地收集大量的時間序列數(shù)據(jù)并且大規(guī)模地進行異常和失效檢測，對于降低工業(yè)制造行業(yè)中的的很多不必要的成本是非常關鍵的。

Recurrent neural networks (RNNs)循環(huán)神經(jīng)網(wǎng)絡，特別是Long short term memory models (LSTMs)長短期記憶模型現(xiàn)在被廣泛應用于信號處理，時間序列分析等場景。作為connectionist模型，RNNs可以提取網(wǎng)絡節(jié)點中的動態(tài)序列。在這個項目中，我們利用LSTM來模擬震動信號的統(tǒng)計學規(guī)律， 并且使用了來自辛辛那提大學的IMS全生命周期數(shù)據(jù) (http://ti.arc.nasa.gov/c/3/)來展示設備異常檢測的分析流程。

Analytics Zoo解決方案

Analytics Zoo (https://github.com/intel-analytics/analytics-zoo)是一個基于Apache Spark和BigDL等構建的analytics （分析）+AI（人工智能）的平臺，由英特爾開源，該平臺能夠方便地讓用戶將端到端的基于大數(shù)據(jù)的深度學習應用直接部署在已有的Hadoop/Spark的大數(shù)據(jù)集群上，而無需安裝專用的GPU設備。

我們已經(jīng)在Apache Spark和Analytics Zoo上創(chuàng)建了端到端的基于LSTM的異常檢測流程，可以應用于大規(guī)模時間序列數(shù)據(jù)的無監(jiān)督深度學習。作為LSTM模型的輸入數(shù)據(jù)的是一系列設備震動信號，比如在當前時間點之前50秒的信號數(shù)據(jù)，通過這些信號數(shù)據(jù)，經(jīng)過訓練的模型可以預測下一個數(shù)據(jù)點。當下一個數(shù)據(jù)點和模型預測的數(shù)據(jù)點有較大偏差，我們認為該數(shù)據(jù)為異常數(shù)據(jù)。圖1所示為一個端到端的數(shù)據(jù)處理流程。

1. 處理流程從Spark集群讀取原始數(shù)據(jù)并構造RDD（resilient distributed datasets）彈性分布式數(shù)據(jù)集，并抽取特征，最后把特征輸出到Dataframe。在原始數(shù)據(jù)集中，每個數(shù)據(jù)描述了一個檢測失效（test-to-failure）的實驗，并包含了時長為1秒的20K赫茲采樣的即時振動信號（如圖2所示）。為了訓練深度學習模型，每一秒的統(tǒng)計數(shù)據(jù)被提取作為特征數(shù)據(jù)，包括均方根（Root Mean Square）， 峰度（Kurtosis），峰值（ Peak）, 以及小波包分解得到的8個頻段的能量值。

2. 處理流程進一步在RDD中處理這些特征數(shù)據(jù)，包括數(shù)值的小波去噪處理、標準化處理（normalize）和滑動平均處理，以50秒為基準展開特征數(shù)據(jù)序列，以便于深度學習模型可以通過前50秒的模式來預測下一個數(shù)據(jù)點，并最終把數(shù)據(jù)轉換為Sample RDD。(https://bigdl-project.github.io/master/#APIGuide/Data/#sample).

3. 處理流程使用Analytics Zoo中提供的類Keras API來創(chuàng)建時間序列異常檢測模型，包括如圖所示的三個LSTM層和一個密集層，并通過數(shù)據(jù)訓練這個模型（前50個點訓練下一個點）。

 val model = Sequential[Float]()
  model.add(LSTM[Float](8, returnSequences = true, inputShape = inputShape))
  model.add(Dropout[Float](0.2))
  model.add(LSTM[Float](32, returnSequences = true))
  model.add(Dropout[Float](0.2))
  model.add(LSTM[Float](15, returnSequences = false))
  model.add(Dropout[Float](0.2))
  model.add(Dense[Float](outputDim = 1))

4. 接下來是模型評估：使用測試數(shù)據(jù)或者全部數(shù)據(jù)來檢測異常。異常數(shù)據(jù)是指遠離RNN模型預測的數(shù)據(jù)點。在這個項目中，我們指定異常數(shù)據(jù)為整體數(shù)據(jù)集的10%，也就是距離模型預測數(shù)值最遠的那10%數(shù)據(jù)為異常數(shù)據(jù)。這個篩選比例設置為可調整參數(shù)，可以為每個單獨案例進行調整。

測試結果

圖3顯示了原始振動數(shù)據(jù)和LSTM模型預測數(shù)據(jù)的對比。只有峰值和均方根這兩個統(tǒng)計數(shù)值顯示出來，其他統(tǒng)計數(shù)值具有相似的波動。圖中所示紅點為被識別的異常數(shù)據(jù)，橙色線條為LSTM模型的預測數(shù)值，藍色線條為原始數(shù)值。經(jīng)過訓練的模型最終成功預測了設備的失效，以及在經(jīng)過600個時間點之后的震動尖峰，在時間序列早期的一些波動可以作為設備失效的預警信息。

結論

通過利用無監(jiān)督深度學習，以及Analytics Zoo提供的端到端處理流程，我們可以有效地在大數(shù)據(jù)集和標準大數(shù)據(jù)集群（Hadoop, Spark等）上應用時間序列異常檢測。通過收集、處理大量的時間序列數(shù)據(jù)（比如日志，傳感器讀數(shù)等），應用RNN來學習數(shù)據(jù)模式，最終預判數(shù)據(jù)和判定異常數(shù)據(jù)，Analytics Zoo提供的端到端處理流程能夠為許多新興的智能系統(tǒng)如智能制造、智能運維、物聯(lián)網(wǎng)等提供解決方案。基于時間序列的異常檢測在設備的智能監(jiān)控和

預測性維護上可以得到重要應用。

參考文獻

1. https://github.com/intel-analytics/analytics-zoo

2. https://github.com/intel-analytics/BigDL

3. https://www.kaggle.com/victorambonati/unsupervised-anomaly-detection

4. https://iwringer.wordpress.com/2015/11/17/anomaly-detection-concepts-and-techniques/