التعلم التبايني النموذجي مع محاذاة مكانية-زمنية مبنية على أجزاء للكشف عن الشذوذ في السلاسل الزمنية متعددة المتغيرات

مراقبة الآلات المعقدة

تحتوي شبكات الطاقة الحديثة ومحطات المياه والمركبات الفضائية ومراكز الخوادم على آلاف المستشعرات التي تبث بيانات كل ثانية. تكمن دلائل الأعطال والهجمات الإلكترونية والتلف البطيء ضمن هذه الإشارات في صور مبكرة. اكتشاف هذه الإشارات النادرة دون إطلاق إنذارات كاذبة أمر صعب: السلوك الطبيعي يتغير باستمرار، ويمكن لخوارزميات الذكاء الاصطناعي الحالية أن تُخدع فتتعامل مع أنماط غير طبيعية على أنها نمط عادي. تقدم هذه الورقة طريقة جديدة تُسمى P-ALIGN لمراقبة بيانات المستشعرات متعددة القنوات بهدف اكتشاف المشاكل مبكراً، والبقاء صامدة أمام الضوضاء، وتخفيف عدد الإنذارات الكاذبة التي تُرهق المهندسين.

لماذا تفشل أنظمة الإنذار التقليدية

تعمل العديد من كاشفات الشذوذ الحالية كآلات نسخ مفرطة الحماس. تتعلم كيف تبدو آثار المستشعرات الطبيعية، ثم تحاول إعادة بنائها؛ إذا كانت إعادة البناء سيئة، تُعلن وجود شذوذ. لكن الشبكات العميقة القوية، ولا سيما المستندة إلى المحولات، قد تصبح مرنة إلى درجة أنها تعيد إنتاج الأنماط غير الطبيعية بدقة مدهشة. عندما يحدث ذلك، يتضاءل الفاصل بين السلوك الطبيعي والخلل، وتختفي الإنذارات الحقيقية في الضجيج. وفي الوقت نفسه، تكافح هذه النماذج مع التاريخ الطويل من البيانات لأن حسابها يتزايد بسرعة مع طول التسلسل. في البيئات الصناعية الحقيقية، حيث تنجرف قراءات المستشعرات بتغير الأحمال وصيانات المعدات، تؤدي هذه القيود إلى فوات أعطال وفيض من الإنذارات الكاذبة.

تقسيم البيانات إلى قطع ذات مغزى

يتصدى P-ALIGN لهذه المشكلات بإعادة التفكير في كيفية تمثيل السلاسل الزمنية. بدلاً من فحص كل لحظة بمعزل، يقسم تدفقات المستشعرات إلى "قطع" معتدلة الطول—مقاطع قصيرة من البيانات متعددة القنوات—تعمل كرموز عالية المستوى. يقوم مستخرج ميزات أولاً بنمذجة كيفية تأثير المستشعرات على بعضها البعض، ثم يضغط مشفر EmbedPatch كل قطعة إلى ملخّص مدمج. هذا يعمل كعنق زجاجة معلوماتي مُتحكم فيه: تُتوسط الاضطرابات العابرة والنبضات العشوائية بينما تُحافَظ على الاتجاهات الأبطأ والأكثر معنى فيزيائياً. وبما أن النموذج الآن يستدل على أساس عدد قابل للإدارة من القطع بدلاً من آلاف نقاط الزمن، فيمكنه تغطية نوافذ زمنية طويلة بتكلفة حسابية أقل بكثير.

ترسيخ السلوك الطبيعي وإبراز الشواذ

جوهر P-ALIGN هو وحدة تُدعى المحاذاة النموذجية المكانية-الزمنية، أو ST-PAC. هنا، يتعلّم النظام مجموعة صغيرة من "النماذج الطبيعية"—نقاط تجريدية تلتقط حالات التشغيل النموذجية عبر جميع المستشعرات والأزمنة. تُجذب كل قطعة واردة نحو أقرب نموذج إذا تصرفت بشكل طبيعي، مما يخلق "منطقة طبيعية" مدمجة ومستقرة في فضاء النموذج الداخلي. القطع التي لا تتناسب جيداً تقاوم هذا الجذب وتبقى على مسافة، فتبرز تلقائياً باعتبارها شذوذاً محتملاً. بالإضافة إلى ذلك، يُدرّب مُركب الاندماج التبايني مُشفّرين موازين، معلم بطيء الحركة ومتعلّم أسرع، على نسخ معدَّلة قليلاً من نفس البيانات. من خلال إجبار المتعلّم على الاتساق مع المعلم حتى عندما تُشوَّه القطع أو تُغطى جزئياً، يصبح النظام صامداً أمام التقلبات العشوائية مع تعزيز حساسيتِه للتغيرات الهيكلية الحقيقية في البيانات.

الأداء عبر مجموعات بيانات من العالم الحقيقي

اختبر المؤلفون P-ALIGN على ست مجموعات معملية من العالم الحقيقي تتسم بالتحدي، بما في ذلك بيانات قياس المركبات الفضائية التابع لوكالة ناسا، ومحطات اختبار معالجة وتوزيع المياه، ومقاييس خوادم على نطاق واسع، وبيانات جودة مياه الشرب التي تحتوي على عدد قليل جداً من الشواذ. عبر هذه البيئات المتنوعة، تفوّق P-ALIGN باستمرار على 20 منافساً متقدماً، بدءاً من الطرق الإحصائية الكلاسيكية إلى شبكات الرسوميات العصبية، والمحولات، ونماذج الانتشار، ومحولات النماذج اللغوية الكبيرة. في المتوسط، حسّن درجة F1 القياسية بحوالي 11% ومقياساً أكثر صرامة على مستوى القطعة يسمى الألفة المعنَّمة بأكثر من 12%. تكافئ هذه المقاييس الأصعب الكشف المستمر والمطابق جيداً لفترات الأعطال بدلاً من إصابات محظوظة منعزلة، ما يظهر أن P-ALIGN يحافظ على إنذارات مستقرة طوال الحادث بدلاً من ارتفاع مفاجئ ثم "تعلم الخلل كطبيعي".

تداعيات على بنية تحتية أكثر أماناً

لغير المتخصصين، الخلاصة هي أن P-ALIGN يوفر نظام إنذار مبكر أكثر موثوقية للبُنى التحتية المعقدة والغنية بالمستشعرات. من خلال تلخيص التاريخ الطويل إلى قطع، وترسيخها إلى مكتبة من الأنماط الطبيعية المتعلّمة، والتدريب على اضطرابات تباينية، يقلل من كل من الإنذارات الفائتة والإنذارات المزعجة. الإطار سريع بما يكفي للمراقبة في الوقت الحقيقي ومتين أمام التحولات الروتينية مثل تغير الأحمال أو الاتجاهات الموسمية، مع بقائه حساساً للأعطال الدقيقة التي تتطور ببطء. ومع أن الطريقة لا تزال تواجه تحديات في التعامل مع التغيرات القصوى وطويلة الأمد لما يبدو "طبيعياً"، فإنها تمثل خطوة مهمة نحو حراس ذكاء اصطناعي يمكنهم مراقبة الشبكات والمحطات والمركبات الفضائية بنظرة أكثر ثباتاً وتمييزاً.

الاستشهاد: Yang, C., Li, X., Xu, K. et al. Prototypical contrastive learning with patch-based spatio-temporal alignment for multivariate time series anomaly detection. Sci Rep 16, 13165 (2026). https://doi.org/10.1038/s41598-026-43236-x

الكلمات المفتاحية: اكتشاف الشذوذ في السلاسل الزمنية, المراقبة الصناعية, بيانات المستشعرات متعددة المتغيرات, التعلم التبايني, موثوقية الشبكة الذكية