مطالعه‌ای روی ۱۱۸ ماشین میدانی: جنگل انزوا روی داده واقعی به F1 برابر ۰٫۱۲ سقوط می‌کند

پیش‌چاپی که در ۱۵ آوریل ۲۰۲۶ از سوی پژوهشگران دانشگاه آگسبورگ و دانشگاه فنی آگسبورگ ارائه شد، آشکارسازهای ناهنجاری بدون‌نظارت را روی مجموعه‌داده‌ای اختصاصی از سری‌های زمانی چندمتغیره ۱۱۸ ماشین مستقر در میدان از یک نوع، شامل ۳۳۴ نمونه فرایند، مقایسه می‌کند. تنها ماشین‌های تازه راه‌اندازی‌شده به کار رفتند و ضبط‌ها به دو ماه نخست بهره‌برداری محدود شد تا داده آموزش از رفتار از پیش تخریب‌شده پاک بماند.

جنگل انزوا — یکی از پرکاربردترین آشکارسازها در پایش صنعتی و گزینه پیش‌فرض چند سکوی تجاری — به طور میانگین F1 برابر ۰٫۱۲۰ با انحراف معیار ۰٫۱۲۶ به دست آورد. پنج اجرا اصلا هیچ ناهنجاری‌ای تشخیص ندادند. بهترین اجرای منفرد به ۰٫۳۰۸ رسید و ۴ فرایند از ۲۲ فرایند ناهنجار را گرفت؛ دقت در اجراهایی که شلیک کردند ۱٫۰ بود اما بیشینه فراخوانی ۰٫۱۸۲ ماند. به بیان دیگر وقتی حرف می‌زد درست می‌گفت و تقریبا هرگز حرف نمی‌زد.

خودرمزگذارها روی همان داده رفتاری بسیار متفاوت داشتند. خودرمزگذار پیچشی زمانی به ۰٫۹۹۱ با انحراف ۰٫۰۰۹ رسید، خودرمزگذار GRU به ۰٫۹۱۸ با انحراف ۰٫۰۶۶ و خودرمزگذار LSTM به ۰٫۸۵۳ با انحراف ۰٫۱۰۲، و گونه‌های وردشی میان ۰٫۸۷۶ و ۰٫۹۶۸ قرار گرفتند. نتیجه‌گیری نویسندگان درباره معماری است نه ظرفیت: مدل‌های پیچشی بر مدل‌های بازگشتی برتری دارند چون فرایندهای تولید واقعی غیرتناوبی با ترتیب فاز متغیرند، برخلاف محک‌های توربوفن ناسا و بستر آزمون یاتاقان که بیشتر نتایج منتشرشده روی آنها تنظیم شده‌اند.

هشدارها باید در هر خلاصه‌ای بیایند. مجموعه ارزیابی برچسب‌دار کنارگذاشته‌شده کوچک است — ۴۶ نمونه فرایند کامل، ۲۲ ناهنجار و ۲۴ عادی — و آستانه‌های تشخیص پس از واقعه روی دقت، فراخوانی، صحت و F1 بهینه شدند، پس نویسندگان اینها را بهترین حالت دست‌یافتنی می‌دانند نه آستانه‌های استقرار. شش گونه خودرمزگذار هرکدام ۵۰ بار با بذرها و ابرپارامترهای متفاوت آموزش دیدند.

درسی که قابل انتقال است فاصله میان محک و کارخانه است. آشکارسازی که روی بستر آزمون تناوبی خوب کار می‌کند می‌تواند در کف کارگاهی که در آن «عادی» هدفی متحرک است شکست بخورد، و تنها راه دانستن اینکه کدام را در اختیار دارید ارزیابی روی ماشین‌های خودتان است.