王沐贤，丁小欧，王宏志，李建中

哈尔滨工业大学 计算机科学与技术学院，哈尔滨150000

近年来我国制造业持续快速发展。工业互联网的智能工厂已经积累并正在产生大量的工业时序数据。通过对基于采集时间点的多维时间序列数据的分析和挖掘，能够对系统的运行状态进行控制、分析、决策和规划[1]，形成了有效的工业知识产生、提取、应用的积极循环，进而实现了对工业大数据的智能分析[2]。

通过分析传感器组传回数据可以检测出工业系统及设备中存在的显性或隐性异常，例如产品质量缺陷、精度缺失、设备故障、加工失效、性能下降、环境突变等[1]。这些故障给企业带来了大量消耗损失。为了降低危害，工业系统和设备会加入一套故障处理方案，由系统运维人员或自动运维程序对数据中显示的异常状态进行判断并介入故障排查[3]。但通过调研发现，在很长一段时间中，工业生产的故障诊断存在着以下一些问题：

（1）工业时序数据具有数据量大、时效性强、模式多样的特点。传统的单维静态数据处理方法存在一定局限性。

（2）利用工业时序数据判别异常类型为系统故障抑或是错误数据存在困难。

（3）工业时序数据可能存在模式相关，这是工业系统的物理属性决定的。但数据可能仅是数学上表现出相关性，可能在整体上并不能表现出相关关系。

为了能够减少工业生产中将数据异常错误归类造成损失，本研究提出了一种基于时序相关环模型的异常来源检测算法。……