The continuously growing amount of monitored data in the Industry 4.0 context requires strong and reliable anomaly detection techniques. The advancement of Digital Twin technologies allows for realistic simulations of complex machinery, therefore, it is ideally suited to generate synthetic datasets for the use in anomaly detection approaches when compared to actual measurement data. In this paper, we present novel weakly-supervised approaches to anomaly detection for industrial settings. The approaches make use of a Digital Twin to generate a training dataset which simulates the normal operation of the machinery, along with a small set of labeled anomalous measurement from the real machinery. In particular, we introduce a clustering-based approach, called Cluster Centers (CC), and a neural architecture based on the Siamese Autoencoders (SAE), which are tailored for weakly-supervised settings with very few labeled data samples. The performance of the proposed methods is compared against various state-of-the-art anomaly detection algorithms on an application to a real-world dataset from a facility monitoring system, by using a multitude of performance measures. Also, the influence of hyper-parameters related to feature extraction and network architecture is investigated. We find that the proposed SAE based solutions outperform state-of-the-art anomaly detection approaches very robustly for many different hyper-parameter settings on all performance measures.

中文翻译：

---

使用数字孪生系统和弱监督学习进行现实世界异常检测

在工业4.0环境中，不断增长的监视数据量需要强大而可靠的异常检测技术。Digital Twin技术的进步允许对复杂机械进行逼真的仿真，因此，与实际测量数据相比，它非常适合生成综合数据集以用于异常检测方法。在本文中，我们介绍了用于工业环境异常检测的新型弱监督方法。这些方法利用Digital Twin来生成训练数据集，该数据集可模拟机械的正常运行，以及一小套来自实际机械的标记异常测量。特别是，我们介绍了一种基于聚类的方法，称为聚类中心（CC），以及一种基于暹罗自动编码器（SAE）的神经体系结构，针对弱监督的设置量身定制，只有很少的标记数据样本。通过使用多种性能指标，将所提出方法的性能与从设施监控系统应用于现实数据集的各种最新技术异常检测算法进行了比较。此外，还研究了与特征提取和网络体系结构相关的超参数的影响。我们发现，针对所有性能指标上的许多不同超参数设置，所提出的基于SAE的解决方案非常强大地优于最新的异常检测方法。通过使用多种性能指标，将所提出方法的性能与从设施监控系统应用于现实数据集的各种最新技术异常检测算法进行了比较。此外，还研究了与特征提取和网络体系结构相关的超参数的影响。我们发现，针对所有性能指标上的许多不同超参数设置，所提出的基于SAE的解决方案非常强大地优于最新的异常检测方法。通过使用多种性能指标，将所提出方法的性能与从设施监控系统应用于现实数据集的各种最新技术异常检测算法进行了比较。此外，还研究了与特征提取和网络体系结构相关的超参数的影响。我们发现，针对所有性能指标上的许多不同超参数设置，所提出的基于SAE的解决方案非常强大地优于最新的异常检测方法。