Çok değişkenli zaman serisi anormallik tespiti için yama tabanlı uzaysal-zamansal hizalama ile prototipik kontrastif öğrenme

Karmaşık Makineleri Gözetlemek

Modern enerji şebekeleri, su tesisleri, uzay araçları ve sunucu çiftlikleri, her saniye veri akışı sağlayan binlerce sensörle donatılmıştır. Bu sinyallerin içinde arızaların, siber saldırıların veya yıpranmanın erken işaretleri gizlidir. Bu nadir uyarı sinyallerini sahte alarmlar vermeden yakalamak zordur: normal davranış sürekli değişir ve günümüzün yapay zeka sistemleri anormal örüntüleri sıradanmış gibi değerlendirebilir. Bu makale, çok kanallı sensör verilerini erken yakalamayı, gürültüye karşı sağlam olmayı ve mühendisleri gereksiz alarmlarla boğmamayı hedefleyen yeni bir izleme yöntemi olan P-ALIGN'i tanıtıyor.

Neden Geleneksel Alarm Sistemleri Yetersiz Kalmaktadır

Birçok mevcut anormallik algılayıcı, aşırı istekli fotokopi makineleri gibidir. Normal sensör izlerinin nasıl göründüğünü öğrenirler, sonra bunları yeniden oluşturmayı denerler; yeniden oluşturma kötü ise anormallik ilan edilir. Ancak güçlü derin ağlar, özellikle Transformer tabanlı olanlar, o kadar esnek olabilir ki anormal desenleri bile şaşırtıcı doğrulukla yeniden üretebilirler. Bu olduğunda normal ile arızalı davranış arasındaki fark küçülür ve gerçek alarmlar gürültü içinde kaybolur. Aynı zamanda, bu modeller ardışık uzun geçmişlerle başa çıkmakta zorlanır çünkü hesaplama yükü dizi uzunluğuyla hızla artar. Sensör okumalarının yük değişimleri ve bakım işlemleriyle kaydığı gerçek endüstriyel ortamlar bu zayıflıkların kaçırılan arızalara ve yanlış alarmların seline yol açmasına neden olur.

Veriyi Anlamlı Parçalara Bölmek

P-ALIGN, zaman serilerini temsil etme biçimini yeniden düşünerek bu sorunlarla başa çıkar. Her anı izole olarak incelemek yerine, sensör akışlarını orta uzunlukta "yamalar"—çok kanallı verinin kısa segmentleri—halinde dilimler; bunlar daha yüksek düzeyde token'lar olarak işlev görür. Bir özellik çıkarıcı önce farklı sensörlerin birbirlerini nasıl etkilediğini modeller, sonra bir EmbedPatch kodlayıcı her yaması sıkıştırılmış bir özet hâline getirir. Bu, geçici titremelerin ve rastgele sıçramaların ortalamasını alırken daha yavaş ve fiziksel olarak anlamlı eğilimleri koruyan kontrollü bir bilgi darboğazı görevi görür. Model artık binlerce zaman noktasından ziyade yönetilebilir sayıda yama üzerinde akıl yürüttüğü için uzun zaman pencerelerini çok daha düşük hesaplama maliyetiyle kapsayabilir.

Normal Davranışı Sabitleme ve Aykırılıkları Öne Çıkarma

P-ALIGN'in kalbi, Uzaysal-Zamansal Prototipik Hizalama (ST-PAC) adlı bir modüldür. Burada sistem, tüm sensörler ve zamanlar boyunca tipik işletme durumlarını yakalayan küçük bir "normal prototip" kümesini öğrenir. Her gelen yama, normal davranıyorsa en yakın prototipe çekilir ve modelin iç uzayında kompakt, kararlı bir "normal bölge" oluşturur. İyi uyum sağlamayan yamalar bu çekime direnç gösterir ve mesafede kalarak doğal olarak potansiyel anormallikler olarak öne çıkar. Buna ek olarak, Birleştirici Kontrastif (Contrastive Fusion) modülü, hafifçe bozulmuş aynı verinin iki paralel kodlayıcısını—yavaş hareket eden bir öğretmen ve daha hızlı bir öğrenci—eğitir. Öğrencinin yamalar gürültülendiğinde veya kısmen maskelendiğinde bile öğretmenle tutarlı kalmaya zorlanması, sistemi rastgele dalgalanmalara karşı dayanıklı kılar ve verideki gerçek yapısal değişikliklere duyarlılığını keskinleştirir.

Gerçek Dünyada Performans

Yazarlar P-ALIGN'i NASA uzay aracı telemetrisi, su arıtma ve dağıtım test düzenekleri, geniş ölçekli sunucu metrikleri ve çok az anormalliğe sahip içme suyu kalitesi verileri dahil olmak üzere altı zorlu gerçek dünya benchmark'ında test ettiler. Bu çeşitli ortamlarda P-ALIGN, klasik istatistiksel yöntemlerden grafik sinir ağlarına, Transformer'lara, difüzyon modellerine ve büyük dil modeli adaptörlerine kadar uzanan 20 durumun en iyisi rakibi sürekli olarak geride bıraktı. Ortalama olarak, standart F1 skorunu yaklaşık %11 ve segment seviyesinde daha sıkı bir ölçüt olan Normalized Affinity'yi %12'den fazla iyileştirdi. Bu daha zorlayıcı metrikler, izole şans vuruşları yerine arıza aralıklarının sürekli ve iyi hizalanmış tespitini ödüllendirir; bu da P-ALIGN'in olay süresince kısa süreli zirve yapıp ardından "arızayı normal olarak öğrenme" yerine kararlı alarmlar sağladığını gösterir.

Daha Güvenli Altyapı İçin Çıkarımlar

Uzman olmayanlar için temel çıkarım, P-ALIGN'in sensör açısından zengin, karmaşık altyapılar için daha güvenilir bir erken uyarı sistemi sunduğudur. Uzun geçmişleri yamalara özetleyerek, bunları öğrenilmiş normal desenler kütüphanesine sabitleyerek ve kontrastif bozulmalarla eğiterek hem kaçırılan alarmları hem de rahatsız edici yanlış alarmları azaltır. Çerçeve gerçek zamanlı izleme için yeterince hızlıdır ve değişen yükler veya mevsimsel eğilimler gibi rutin kaymalara karşı dayanıklıdır; aynı zamanda ince, yavaş gelişen arızalara karşı duyarlı kalır. Yöntem hâlâ "normal"in neye benzediğindeki aşırı, uzun vadeli değişikliklerle başa çıkma konusunda zorluklarla karşılaşsa da, şebekeleri, tesisleri ve uzay araçlarını daha istikrarlı ve daha seçici bir gözle gözetebilen yapay zeka koruyucularına doğru önemli bir adımı temsil eder.

Atıf: 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

Anahtar kelimeler: zaman serisi anormallik tespiti, endüstriyel izleme, çok değişkenli sensör verisi, kontrastif öğrenme, akıllı şebeke güvenilirliği