Change-Point Detection in Industrial Data Streams based on Online Dynamic Mode Decomposition with Control

要約

我々は、制御を伴うオンライン動的モード分解(ODMDwC)に基づく新しい変化点検出手法を提案します。
提案された方法は、制御効果を組み込みながら非線形システムの線形近似を見つけて追跡する ODMDwC の機能を活用して、経年変化や季節性による動作の変化に動的に適応します。
このアプローチにより、空間的、時間的、スペクトル パターンの変化の検出が可能になり、スコアとシステム ダイナミクスの変化の程度の間の対応を維持する堅牢なソリューションが提供されます。
ODMDwC の短縮バージョンを定式化し、高次の時間遅延埋め込みを利用してノイズを軽減し、広帯域の特徴を抽出します。
私たちの手法は、安全性が重要なシステムが不均一なデータ ストリームを生成する一方、利益と人命を守るためにタイムリーかつ正確な変化点検出が必要な産業環境で直面する課題に対処します。
私たちの結果は、この方法が特異値分解ベースの方法と比較して直感的で改善された検出結果をもたらすことを示しています。
私たちは合成データと現実世界のデータを使用してアプローチを検証し、複雑なシステムのベンチマーク データセットに対する他のアプローチに対する競争力を示します。
ハイパーパラメータ選択のためのガイドラインが提供されているため、この方法の実際的な適用可能性が高まります。

要約(オリジナル)

We propose a novel change-point detection method based on online Dynamic Mode Decomposition with control (ODMDwC). Leveraging ODMDwC’s ability to find and track linear approximation of a non-linear system while incorporating control effects, the proposed method dynamically adapts to its changing behavior due to aging and seasonality. This approach enables the detection of changes in spatial, temporal, and spectral patterns, providing a robust solution that preserves correspondence between the score and the extent of change in the system dynamics. We formulate a truncated version of ODMDwC and utilize higher-order time-delay embeddings to mitigate noise and extract broad-band features. Our method addresses the challenges faced in industrial settings where safety-critical systems generate non-uniform data streams while requiring timely and accurate change-point detection to protect profit and life. Our results demonstrate that this method yields intuitive and improved detection results compared to the Singular-Value-Decomposition-based method. We validate our approach using synthetic and real-world data, showing its competitiveness to other approaches on complex systems’ benchmark datasets. Provided guidelines for hyperparameters selection enhance our method’s practical applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google