Deep learning (DL), regarded as a breakthrough machine learning technique, has proven to be effective for a variety of real-world applications. However, DL has not been actively applied to condition monitoring of industrial assets, such as gas turbine combustors. We propose a deep semi-supervised anomaly detection (deepSSAD) that has two key components: (1) using DL to learn representations or features from multivariate, time-series sensor measurements; and (2) using one-class classification to model normality in the learned feature space, thus performing anomaly detection. Both steps use normal data only; thus our anomaly detection falls into the semi-supervised anomaly detection category, which is advantageous for industrial asset condition monitoring where abnormal or faulty data is rare. Using the data collected from a real-world gas turbine combustion system, we demonstrate that our proposed approach achieved a good detection performance (AUC) of 0.9706 ± 0.0029. Furthermore, we compare the detection performance of the proposed approach against that of other different designs, including different features (i.e., the deep learned, handcrafted and PCA features) and different detection models (i.e., one-class ELM, one-class SVM, isolation forest, and Gaussian mixture model). The proposed approach significantly outperforms others. The proposed combustor anomaly detection approach is effective in detecting combustor anomalies or faults.

中文翻译：

---

使用深度表示学习的半监督异常检测来检测燃气轮机燃烧室异常

深度学习（DL）被认为是一种突破性的机器学习技术，已被证明对于各种现实应用都是有效的。但是，DL尚未积极应用于工业资产（例如燃气轮机燃烧器）的状态监测。我们提出了一种深度半监督异常检测（deepSSAD），它具有两个关键组成部分：（1）使用DL从多元时间序列传感器测量中学习表示或特征；（2）利用一类分类对学习到的特征空间中的正态性进行建模，从而进行异常检测。这两个步骤仅使用普通数据；因此，我们的异常检测属于半监督异常检测类别，这对于很少有异常或错误数据的工业资产状况监控非常有利。使用从现实世界的燃气轮机燃烧系统收集的数据，我们证明了我们提出的方法实现了0.9706±0.0029的良好检测性能（AUC）。此外，我们将提出的方法的检测性能与其他不同设计的检测性能进行了比较，包括不同的功能（例如，深度学习，手工制作和PCA功能）和不同的检测模型（例如，一类ELM，一类SVM，隔离林和高斯混合模型）。提议的方法明显优于其他方法。提出的燃烧器异常检测方法对于检测燃烧器异常或故障是有效的。我们将提出的方法的检测性能与其他不同设计（包括不同功能（即深度学习，手工和PCA功能）和不同检测模型（即一类ELM，一类SVM，隔离林）的性能进行比较，以及高斯混合模型）。提议的方法明显优于其他方法。提出的燃烧器异常检测方法对于检测燃烧器异常或故障是有效的。我们将提出的方法的检测性能与其他不同设计（包括不同功能（即深度学习，手工和PCA功能）和不同检测模型（即一类ELM，一类SVM，隔离林）的性能进行比较，以及高斯混合模型）。提议的方法明显优于其他方法。提出的燃烧器异常检测方法对于检测燃烧器异常或故障是有效的。