Fault Detection and Monitoring using an Information-Driven Strategy: Method, Theory, and Application

在防止关键故障方面，检测系统何时出现潜在故障的能力至关重要。在这项工作中，我们提出了一种基于新颖概念漂移检测器的信息驱动故障检测方法。该方法旨在识别加性噪声模型（即模型漂移）的输入输出关系中的漂移，并基于无分布互信息（MI）估计器。我们的方案不需要事先有故障示例，并且可以在大量系统模型上无分布地应用。我们的核心贡献有两个。首先，我们展示了故障检测、模型漂移检测和测试两个随机变量之间独立性之间的联系。其次，我们证明了所提出的基于MI的故障检测方案的几个理论性质：（i）强一致性，（ii）非故障情况下的指数级快速检测，以及（iii）对测试的显著性水平和功率的控制。最后，我们使用合成数据和飞机涡轮发动机的基准数据集N-CMAPSS验证了我们的理论。这些实证结果支持我们的方法在许多实际和现实的环境中的有用性，而理论结果则展示了其他方法无法提供的性能保证。

本论文旨在提出一种基于信息驱动的故障检测方法，该方法基于一种新颖的概念漂移检测器，旨在识别加性噪声模型的输入输出关系中的漂移（即模型漂移），并基于分布自由的相互信息（MI）估计器。该方案不需要先前的故障示例，并且可以在大量系统模型的分布自由条件下应用。

论文提出了一种基于相互信息（MI）的故障检测方案，该方案可以检测加性噪声模型的输入输出关系中的漂移，并具有强一致性、快速检测非故障情况、控制测试的显著性水平和功率的能力。

该方法可以在没有先前故障示例的情况下应用，可以适用于大量系统模型的分布自由条件。实验结果表明，该方法在合成数据和飞机涡扇发动机的基准数据集N-CMAPSS上都表现出良好的性能。论文的理论结果证明了该方法具有其他方法所不能提供的性能保证。

在此领域中，还有一些相关研究，例如“Anomaly Detection with Robust Deep Autoencoders”，“A Deep Learning Framework for Unsupervised Anomaly Detection in Time Series”，“A Survey on Deep Learning for Anomaly Detection in IoT Data”，等等。