Cross-Machine Anomaly Detection Leveraging Pre-trained Time-series Model

📄 arXiv: 2604.05335v1 📥 PDF

作者: Yangmeng Li, Kei Sano, Toshihiro Kitao, Ryoji Anzaki, Yukiya Saitoh, Hironori Moki, Dragan Djurdjanovic

分类: cs.LG, eess.SP

发布日期: 2026-04-07

备注: 20 pages, 5 figures, under review at a journal

💡 一句话要点

提出一种基于预训练时间序列模型的跨机器异常检测框架，提升泛化能力。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 跨机器异常检测 时间序列分析 预训练模型 领域不变特征 随机森林 工业应用 无监督学习

📋 核心要点

  1. 现有数据驱动的异常检测方法难以应对不同机器间的行为差异，限制了其在实际工业场景中的应用。
  2. 利用预训练模型MOMENT提取领域不变特征，并结合随机森林分类器解耦机器相关和条件相关特征。
  3. 实验结果表明，该方法在跨机器泛化方面优于现有方法，提升了异常检测的准确性和鲁棒性。

📝 摘要（中文）

为了实现稳健和高质量的制造，需要可靠的数据驱动的异常检测方法，这些方法能够解决不同机器之间行为的差异，即使这些机器在名义上是相同的并且执行相同的流程。本文提出了一种跨机器时间序列异常检测框架，该框架集成了领域不变特征提取器和无监督异常检测模块，以解决使用从执行相同程序的多个不同机器收集的传感器数据来检测机器中的异常的问题。该提取器利用预训练的基础模型MOMENT，采用随机森林分类器将嵌入解耦为机器相关和条件相关的特征，其中后者作为对各个机器之间的差异不变的表示。这些精炼的特征使下游异常检测器能够有效地推广到未见过的目标机器。在从执行名义上相同操作的三台不同机器收集的工业数据集上的实验表明，所提出的方法优于基于原始信号和基于MOMENT嵌入特征的基线，证实了其在增强跨机器泛化方面的有效性。

🔬 方法详解

问题定义：论文旨在解决跨机器异常检测问题，即在只有部分机器数据的情况下，如何准确检测其他机器的异常。现有方法通常依赖于单机数据训练，难以泛化到新的机器，或者直接使用原始信号，忽略了机器间的差异，导致检测效果不佳。

核心思路：论文的核心思路是利用预训练的时间序列模型MOMENT提取特征，并通过随机森林分类器将特征解耦为机器相关和条件相关两部分。只保留条件相关特征，从而消除机器差异的影响，提高模型的泛化能力。

技术框架：整体框架包含三个主要模块：1) 预训练模型MOMENT，用于提取时间序列数据的嵌入表示；2) 随机森林分类器，用于将嵌入表示解耦为机器相关和条件相关特征；3) 无监督异常检测模块，利用条件相关特征进行异常检测。流程为：首先使用MOMENT提取特征，然后使用随机森林分类器解耦特征，最后使用解耦后的条件相关特征进行异常检测。

关键创新：最重要的创新点在于利用随机森林分类器解耦机器相关和条件相关特征。通过这种方式，模型可以学习到与机器无关的通用特征表示，从而提高跨机器的泛化能力。与直接使用原始信号或MOMENT嵌入特征相比，该方法能够更好地消除机器差异的影响。

关键设计：论文使用预训练的MOMENT模型作为特征提取器，该模型已经在大量时间序列数据上进行了训练，具有较强的特征提取能力。随机森林分类器的参数设置对解耦效果有重要影响，论文中可能使用了交叉验证等方法来选择最优参数。无监督异常检测模块可以使用多种算法，例如One-Class SVM或Isolation Forest，具体选择可能取决于数据集的特性。

📊 实验亮点

实验结果表明，该方法在工业数据集上优于基于原始信号和基于MOMENT嵌入特征的基线方法。具体性能数据（例如F1-score、AUC）和提升幅度需要在论文中查找。该方法能够有效提高跨机器异常检测的准确性和鲁棒性，具有重要的实际意义。

🎯 应用场景

该研究成果可应用于智能制造领域，例如生产线监控、设备故障诊断和预测性维护。通过跨机器异常检测，可以提高生产效率，降低维护成本，并保障产品质量。该方法还可扩展到其他领域，例如医疗健康、金融风控等，具有广阔的应用前景。

📄 摘要（原文）

Achieving resilient and high-quality manufacturing requires reliable data-driven anomaly detection methods that are capable of addressing differences in behaviors among different individual machines which are nominally the same and are executing the same processes. To address the problem of detecting anomalies in a machine using sensory data gathered from different individual machines executing the same procedure, this paper proposes a cross-machine time-series anomaly detection framework that integrates a domain-invariant feature extractor with an unsupervised anomaly detection module. Leveraging the pre-trained foundation model MOMENT, the extractor employs Random Forest Classifiers to disentangle embeddings into machine-related and condition-related features, with the latter serving as representations which are invariant to differences between individual machines. These refined features enable the downstream anomaly detectors to generalize effectively to unseen target machines. Experiments on an industrial dataset collected from three different machines performing nominally the same operation demonstrate that the proposed approach outperforms both the raw-signal-based and MOMENT-embedding feature baselines, confirming its effectiveness in enhancing cross-machine generalization.