Neues Verfahren DBR-AF verbessert Anomalieerkennung in multivariaten Zeitreihen

Die Erkennung von Anomalien in multivariaten Zeitreihen ist für die Überwachung von Industrieanlagen und Luft- und Raumfahrt­systemen von entscheidender Bedeutung. Traditionelle rekonstruktionsbasierte Methoden leiden häufig unter zwei Problemen: Sie überanpassen sich an zufällige Korrelationen zwischen den Variablen und erzeugen irreführende Anomalie­scores, wenn die Rekonstruktionsfehler einfach addiert werden.

Um diese Schwächen zu überwinden, wurde das neue Framework DBR‑AF entwickelt. Es kombiniert einen Dual‑Branch‑Rekonstruktions‑Encoder, der die Lernaufgabe in die Modellierung von Querschnitts­korrelationen und die Analyse einzelner Variablen trennt, mit einem autoregressiven Fluss‑Modul. Letzteres nutzt mehrere reversible Transformationen, um die komplexe Residualverteilung zu modellieren und liefert über eine Dichte­schätzung präzise Normal­erkennungen, selbst wenn die Rekonstruktionsfehler hoch sind.

In umfangreichen Tests auf sieben Standard‑Datensätzen übertraf DBR‑AF die bisherigen Spitzenleistungen. Ablationsstudien zeigen, dass sowohl der Dual‑Branch‑Encoder als auch das autoregressive Fluss‑Modul unverzichtbar für die hohe Genauigkeit sind. Das Verfahren stellt damit einen bedeutenden Fortschritt für die zuverlässige Überwachung kritischer Systeme dar.