Belangrijkste concepten
Eine leichtgewichtige Methode zur Erkennung von Verbindungen und Abweichungen in multivariaten Sensordaten von Mehrfachsystemen, um Fehler und Störungen schnell zu identifizieren.
Samenvatting
Die Studie präsentiert einen Ansatz namens "Lightweight Interconnection and Divergence Discovery" (LIDD), um abnormales Verhalten in Mehrfachsystemen mit multivariaten Sensordaten zu erkennen. Der Ansatz umfasst folgende Schritte:
- Schätzung der Ähnlichkeit zwischen den Sensoren innerhalb eines Systems, um Sensorverbindungskarten zu erstellen.
- Schätzung der Ähnlichkeit zwischen den Systemen anhand ihrer Sensorverbindungskarten.
- Clustering-Analyse der Systeme und Sensoren, um abweichendes Verhalten in Form von divergenten Clustern zu identifizieren.
- Ermittlung der Ursachen für die Divergenz, indem die Beiträge der einzelnen Sensoren quantifiziert werden.
Die Autoren wenden den Ansatz auf die Ausleseelektronik des Hadron-Kalorimeters des CMS-Experiments am CERN an. Die Ergebnisse zeigen, dass LIDD in der Lage ist, die Verbindungen zwischen den Auslesemodulen und deren Sensoren konsistent mit den tatsächlichen Konfigurationen des Kalorimeters zu clustern. Auslesemodul-Systeme mit ungewöhnlichen Sensordaten bilden divergente Cluster, und der Ansatz identifiziert die potenziellen Ursachen für diese Divergenz.
Statistieken
"Die Feuchtesensoren (SCH und Q[1-4]H) zeigen in einigen Auslesemodul-Clustern (CL-4 und CL-5) abweichendes Verhalten."
"Die Temperaturmessung des SRT-Sensors ist im Vergleich zu den anderen Sensoren isoliert, da sie ein Mittelwert über 50 Samples ist, während die anderen Sensoren Einzelwerte aufzeichnen."
"In Cluster-1 (CL-1) treten zu Beginn des Septembers größere Spitzen bei den Q[1-4]H-Sensoren auf, und im Oktober und November zeigen die SCH-Sensoren über alle Cluster hinweg divergierende Muster."
Citaten
Keine relevanten wörtlichen Zitate identifiziert.