למידת ניגודיות פרוטוטיפית עם יישור מרחבי-זמני מבוסס-חתיכות לזיהוי אנומליות בסדרות זמן מרובת משתנים

לעקוב אחרי מכונות מורכבות

רשתות חשמל מודרניות, מתקני מים, כלי חלל וחוות שרתים מלאים באלפי חיישנים המשדרים נתונים כל שנייה. ברמזים הנסתרים באותות אלה קיימות תחינות מוקדמות לשגיאות, מתקפות סייבר או בלאי. לזהות את סימני האזהרה הללו מבלי לזעוק כזב קשה: ההתנהגות התקינה משתנה תדיר, ומערכות ה-AI של היום עלולות להטעות ולטעון שתבניות חריגות הן שגרה. מאמר זה מציג את P-ALIGN, שיטה חדשה למעקב אחרי נתוני חיישנים מרובי ערוצים המיועדת לתפוס תקלות מוקדם, להיות עמידה לרעש ולהמנע מהצפה של מהנדסים בהודעות שווא.

מדוע מערכות אזעקה רגילות אינן מספיקות

רבים ממגלאי החריגות העכשוויים פועלים כמו מכונות העתקה מופרזות. הם לומדים איך נראים קווי החיישן התקינים, ואז מנסים לשחזרם; אם השחזור גרוע, הם מכריזים על אנומליה. אך רשתות עמוקות חזקות, ובפרט מבוססות-Transformer, עלולות להיות גמישות כל כך שהן משכפלות גם תבניות חריגות בדיוק מפתיע. כאשר זה קורה, ההבדל בין התנהגות תקינה לבין תקלה מצטמצם והאזעקות האמיתיות נעלמות ברעש. במקביל, מודלים אלה מתקשים עם היסטוריות ארוכות מאוד מכיוון שהחישוב שלהם גדל במהירות עם אורך הרצף. בסביבות תעשייתיות אמיתיות, שבהן קריאות חיישנים נוטות להתדרדר עם עומסים משתנים ופעולות תחזוקה, חולשות אלה גורמות להחמצת תקלות ולהצפות של התראות שווא.

פיצול הנתונים לגושים משמעותיים

P-ALIGN מתמודד עם הבעיות הללו על ידי חשיבה מחודשת על ייצוג סדרות הזמן. במקום לבחון כל רגע בנפרד, הוא פורס את זרמי החיישנים ל"חתיכות"—קטעים קצרים של נתונים מרובי ערוצים—המשמשות כסימוני-על. מצמצם תכונות ראשוני מדגם קודם כיצד חיישנים שונים משפיעים זה על זה, ואז מקודד EmbedPatch מדחס כל חתיכה לסיכום קומפקטי. זה משמש כצוואר בקבוק מבוקר של המידע: רעידות חולפות וקפיצות אקראיות מתחלפות, בעוד המגמות האיטיות והפיזיקליות נשמרות. מכיוון שהמודל עתה מסיק על מספר סביר של חתיכות במקום אלפי נקודות זמן, הוא יכול לכסות חלונות זמן ארוכים בעלות חישובית נמוכה בהרבה.

עיגון התנהגות תקינה והבלטת חריגים

הלב של P-ALIGN הוא מודול שנקרא יישור פרוטוטיפי מרחבי-זמני, או ST-PAC. כאן המערכת לומדת קבוצת "פרוטוטיפים תקינים" קטנה—נקודות מופשטות שתופסות מצבי פעולה טיפוסיים לאורך כל החיישנים והזמנים. כל חתיכה נכנסת נמשכת לעבר הפרוטוטיפ הקרוב אם היא מתנהגת תקין, ויוצרת אזור "נורמלי" קומפקטי ויציב במרחב הפנימי של המודל. חתיכות שאינן מתאימות היטב מתנגדות למשיכה זו ונשארות מרוחקות, מה שמבליט אותן באופן טבעי כאפשרויות אנומליה. מעל לכך, מודול Contrastive Fusion מאמן שני מקודדים מקבילים — מורה איטי ולומד מהיר יותר — על גרסאות מעט מופרעות של אותם נתונים. בכפיית עקביות בין הלומד למורה גם כאשר החתיכות מלאות רעש או מוסתרות חלקית, המערכת נעשית עמידה לתנודות אקראיות תוך השחדה של הרגישות לשינויים מבניים אמיתיים בנתונים.

ביצועים במאגרי נתונים מהעולם האמיתי

המחברים בחנו את P-ALIGN על שישה תבניות אתגריות מהעולם האמיתי, כולל טלמטריה של כלי חלל של נאס"א, מתקני ניסוי לטיפול והפצת מים, מדדי שרתים בקנה מידה גדול ונתוני איכות מי שתייה עם מעט אנומליות. בהגדרות המגוונות הללו, P-ALIGN עקף בעקביות 20 מתחרים מתקדמים, מהשיטות הסטטיסטיות הקלאסיות ועד רשתות גרף, Transformers, מודלים דיפוזיה ומתאמי מודלים גדולים לשפה. בממוצע שיפר את מדד F1 הרגיל בכ־11% ואת מדד קפדני יותר ברמת מקטע הנקרא Normalized Affinity בלמעלה מ־12%. מדדים המחמירים יותר אלה מעניקים יתרון לזיהוי רציף ומתואם של מרווחי תקלה במקום פגיעות מקריות בודדות, ומראים ש‑P-ALIGN שומר על התראות יציבות לאורך מקרה במקום להתאפצף לזמן קצר ואז "ללמוד" את התקלה כתקינה.

השלכות לתשתיות בטוחות יותר

עבור שאינם מומחים, המסקנה המרכזית היא ש‑P-ALIGN מספק מערכת התרעה מוקדמת אמינה יותר לתשתיות מורכבות ועשירות בחיישנים. על ידי סיכום היסטוריות ארוכות לחתיכות, עיגונן לספרייה של תבניות תקינות נלמדות ואימון בניגודיות עם הפרעות, הוא מפחית גם התראות חסרות והחמצות. המסגרת מהירה דיו למעקב בזמן אמת ועמידה לשינויים שגרתיים כגון עומסים משתנים או מגמות עונתיות, בעוד שבה בעת רגישה לתקלות דקות המתפתחות לאט. אף שהשיטה עדיין מתמודדת עם אתגרים בטיפול בשינויים קיצוניים וארוכי טווח במה שנחשב "תקין", היא מסמנת צעד משמעותי לקראת שומרי-ראש מבוססי AI שיכולים להשגיח על רשתות, מתקנים וכלי חלל בעין יציבה ומבדילה יותר.

ציטוט: 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

מילות מפתח: זיהוי אנומליות בסדרות זמן, ניטור תעשייתי, נתוני חיישנים מרובי משתנים, למידת ניגודיות, אמינות רשת חכמה