DOI: https://doi.org/10.1109/tsp.2026.3657450
تاريخ النشر: 2026-01-01
المؤلف: Charlotte Lacoquelle وآخرون
الموضوع الرئيسي: تقنيات الكشف عن الشذوذ وتطبيقاتها
نظرة عامة
تقدم هذه الورقة نهجًا جديدًا لاكتشاف القيم الشاذة في بيانات السلاسل الزمنية، خاصة في الأنظمة التي تظهر سلوكًا متكررًا، مثل الروبوتات الصناعية على خطوط الإنتاج. الطريقة المقترحة، المسماة اكتشاف القيم الشاذة في السلاسل الزمنية المشوهة (WETSAND)، تعالج التحديات المرتبطة بالبيانات المأخوذة بشكل غير منتظم ومدد المهام المتكررة المتغيرة. تتكون عملية الاكتشاف من ثلاث مراحل: أولاً، تحدد وتقطع الدورات المتكررة من السلاسل الزمنية الطويلة، مع مراعاة التشوهات الزمنية؛ ثانيًا، تحسب نموذجًا أوليًا لهذه الدورات باستخدام خوارزمية مركز ثقل محسّنة لوحدة معالجة الرسوميات (GPU)؛ وثالثًا، تقيم درجات الشذوذ لكل دورة بناءً على النموذج الأولي المحسوب. يعد استخدام تشويه الزمن الديناميكي (DTW) ومتغيراته أمرًا مركزيًا في WETSAND، مما يمكّن من التعامل الفعال مع الطبيعة المشوهة للسلاسل الزمنية.
في الختام، تعتبر WETSAND طريقة فعالة واقتصادية لاكتشاف القيم الشاذة مصممة للسلاسل الزمنية الدورية مع أخذ عينات غير منتظمة. تقوم بتقسيم السلاسل الزمنية الكبيرة شبه الدورية إلى دورات وتحسب نموذجًا تمثيليًا باستخدام تنفيذ جديد يعتمد على وحدة معالجة الرسوميات لمركز ثقل Soft-DTW. يتم التحقق من فعالية الطريقة من خلال التجارب على بيانات حقيقية من الروبوتات الصناعية، مما يظهر قدرتها على التوسع إلى سلاسل زمنية تحتوي على عشرات الآلاف من خطوات الزمن وتفوقها على الأساليب المعتمدة على الشبكات العصبية التلقائية. هذا يدعم الحجة القائلة بأن طرق التعلم العميق لا تتفوق عالميًا على التقنيات التقليدية ولا ينبغي تطبيقها بشكل عشوائي.
مقدمة
تسلط المقدمة الضوء على التحديات والفرص التي تقدمها زيادة عدد الأجهزة المتصلة وأجهزة الاستشعار عبر مجالات مختلفة، مما يؤدي إلى توليد تدفقات بيانات واسعة إما مرتبة أو مؤرخة. يمكن الاستفادة من هذه البيانات لمراقبة تلقائية لتنفيذ المهام لتحديد الانحرافات عن السلوك المتوقع. يركز هذا البحث على اكتشاف الدورات غير الطبيعية ضمن بيانات السلاسل الزمنية التي تم جمعها خلال المهام المتكررة، خاصة في سياق الأذرع الروبوتية على خطوط الإنتاج. على الرغم من أن هذه الروبوتات تحتوي على أنظمة داخلية لاكتشاف الأعطال، إلا أنها غالبًا ما تتجاهل القضايا البيئية مثل أخطاء الإعداد، ومشاكل المعايرة، وعيوب المنتجات.
يتناول البحث عدة تعقيدات في مراقبة هذه الأنظمة الروبوتية. أولاً، فإن طول مدة الدورات، التي غالبًا ما تتكون من عشرات الآلاف من نقاط البيانات، يمثل تحديًا، حيث يمكن أن يؤدي تقليل العينات إلى تدهور دقة الاكتشاف. بالإضافة إلى ذلك، فإن التباين في أطوال الدورات بسبب المهام الفيزيائية وتدخلات المشغلين يعقد عملية الاكتشاف. يهدف البحث إلى التمييز بين الإجراءات العادية للمشغل – مثل إيقاف خط الإنتاج – والتدخلات الأكثر تدخلاً التي قد تشير إلى تنفيذ غير طبيعي. علاوة على ذلك، تسعى الطريقة للحفاظ على القوة ضد الفجوات الصغيرة في البيانات، والتي يمكن أن تؤدي إلى عدم انتظامات بين السلاسل وداخل السلسلة، مما يؤثر على موثوقية نظام المراقبة.
النتائج
يقدم قسم النتائج تقييمًا شاملاً للخطوات الثلاث المعنية في منهجية WETSAND. يتم تحليل كل خطوة بالتفصيل، مع توضيح مقاييس الأداء في القسم الفرعي 4.2 المستخدمة لتقييم فعاليتها. تشير النتائج إلى أن نهج WETSAND يظهر تحسينات كبيرة في النتائج المستهدفة، مما يبرز إمكانية تطبيقه في المجالات ذات الصلة. تؤكد التحليل على قوة المنهجية ويوفر أساسًا لمزيد من الاستكشاف والتحسين.
المناقشة
تناقش الورقة تحدي اكتشاف السلاسل الزمنية الشاذة ضمن مجموعة من السلاسل الزمنية الدورية، خاصة في الأنظمة التي تظهر سلوكًا متكررًا ولكن تواجه عدم انتظامات داخل السلسلة. يبرز المؤلفون عدة تحديات رئيسية، بما في ذلك الطبيعة شبه الدورية للسلاسل الزمنية بسبب عدم الانتظامات، وغياب سلوك طبيعي مُعَلَّم يتطلب نهجًا غير مُراقَب، وظهور الشذوذات تدريجيًا بدلاً من كونها شاذة معزولة. لمعالجة هذه التحديات، يقترح المؤلفون طريقة جديدة تسمى اكتشاف القيم الشاذة في السلاسل الزمنية المشوهة (WETSAND)، والتي تتضمن خوارزمية تقسيم تعتمد على تشويه الزمن الديناميكي الفرعي (Sub-DTW)، وحساب مركز ثقل Soft-DTW المحسن لوحدة معالجة الرسوميات، وآلية تسجيل التشابه لاكتشاف القيم الشاذة.
تتمثل حالة الاستخدام المحفزة لهذا البحث في مصنع يستخدم روبوتات صناعية ذات 6 محاور لمهام مثل التعبئة ومراقبة الجودة. تولد الروبوتات بيانات سلاسل زمنية تكون مثالية دورية ولكن تتأثر بمدد متغيرة من التفاعلات الفيزيائية وفجوات بيانات كبيرة. يتم هيكلة نهج WETSAND في ثلاث خطوات رئيسية: تقسيم السلاسل الزمنية إلى دورات باستخدام Sub-DTW، وحساب دورة نموذجية عبر خوارزمية مركز ثقل Soft-DTW، واكتشاف القيم الشاذة بناءً على درجات التشابه مع النموذج الأولي. يتحقق المؤلفون من طريقتهم من خلال تجارب واسعة، مما يوضح فعاليتها في اكتشاف الشذوذات في بيانات الروبوتات الصناعية الحقيقية، وبالتالي تساهم في مجال اكتشاف الشذوذات في السلاسل الزمنية في التطبيقات المعقدة في العالم الحقيقي.
DOI: https://doi.org/10.1109/tsp.2026.3657450
Publication Date: 2026-01-01
Author(s): Charlotte Lacoquelle et al.
Primary Topic: Anomaly Detection Techniques and Applications
Overview
This paper presents a novel approach for detecting outliers in time series data, particularly in systems exhibiting repetitive behavior, such as industrial robots on production lines. The proposed method, named WarpEd Time Series ANomaly Detection (WETSAND), addresses challenges associated with irregularly sampled data and varying durations of repetitive tasks. The detection process is structured in three stages: first, it identifies and segments repetitive cycles from lengthy time series, accommodating temporal distortions; second, it computes a prototype for these cycles using a GPU-optimized barycenter algorithm; and third, it evaluates anomaly scores for each cycle based on the computed prototype. The use of Dynamic Time Warping (DTW) and its variants is central to WETSAND, enabling effective handling of the distorted nature of the time series.
In conclusion, WETSAND is an efficient and frugal anomaly detection method tailored for cyclostationary time series with irregular sampling. It segments large quasiperiodic time series into cycles and computes a representative prototype using a new GPU-based implementation of the Soft-DTW barycenter. The method’s effectiveness is validated through experiments on real data from industrial robots, demonstrating its scalability to time series with tens of thousands of time steps and its superiority over autoencoder-based approaches. This supports the argument that deep learning methods do not universally outperform traditional techniques and should not be applied indiscriminately.
Introduction
The introduction highlights the challenges and opportunities presented by the proliferation of connected devices and sensors across various domains, leading to the generation of extensive data streams that are either ordered or timestamped. This data can be leveraged for automatic monitoring of task execution to identify deviations from expected behavior. The focus of this research is on detecting abnormal cycles within time series data collected during repetitive tasks, particularly in the context of robotic arms on production lines. While these robots have internal fault detection systems, they often overlook environmental issues such as setup errors, calibration problems, and product defects.
The study addresses several complexities in monitoring these robotic systems. First, the long duration of cycles, often comprising tens of thousands of data points, poses a challenge, as downsampling can degrade detection accuracy. Additionally, the variability in cycle lengths due to physical tasks and operator interventions complicates the detection process. The research aims to distinguish between normal operator actions—such as pausing the production line—and more intrusive interventions that may indicate abnormal execution. Furthermore, the approach seeks to maintain robustness against minor data gaps, which can lead to both inter-series and intra-series irregularities, thereby affecting the reliability of the monitoring system.
Results
The results section presents a comprehensive evaluation of the three steps involved in the WETSAND methodology. Each step is analyzed in detail, with performance metrics outlined in subsection 4.2 employed to assess their effectiveness. The findings indicate that the WETSAND approach demonstrates significant improvements in the targeted outcomes, highlighting its potential applicability in relevant fields. The analysis underscores the robustness of the methodology and provides a foundation for further exploration and optimization.
Discussion
The paper discusses the challenge of detecting outlier time series within a set of cyclostationary time series, particularly in systems that exhibit repetitive behavior but experience intra-series irregularities. The authors highlight several key challenges, including the quasiperiodic nature of the time series due to irregularities, the absence of labeled normal behavior necessitating an unsupervised approach, and the gradual manifestation of anomalies rather than isolated outliers. To address these challenges, the authors propose a novel method called WarpEd Time Series ANomaly Detection (WETSAND), which incorporates a segmentation algorithm based on Subsequence Dynamic Time Warping (Sub-DTW), a GPU-optimized Soft-DTW barycenter computation, and a similarity scoring mechanism for outlier detection.
The motivating use case for this research is a manufacturing plant utilizing 6-axis industrial robots for tasks such as palletizing and quality control. The robots generate time series data that are ideally cyclic but are affected by variable durations of physical interactions and significant data gaps. The WETSAND approach is structured in three main steps: segmentation of the time series into cycles using Sub-DTW, computation of a prototype cycle via the Soft-DTW barycenter algorithm, and outlier detection based on similarity scores to the prototype. The authors validate their method through extensive experiments, demonstrating its effectiveness in detecting anomalies in real industrial robot data, thus contributing to the field of time series anomaly detection in complex, real-world applications.