Anomaly detection for industrial time series

Abstract

Karbonanoder er en avgjørende komponent i elektrolyseprosessen for aluminiumsproduksjon. Overvåkning av strømtilførselen gjennom hengeren karbonanoden er festet på gjør det mulig for operatører å spore og kontrollere elektrolysemiljøet, som muliggjør tidlig oppdagelse av potensielle prosessrelaterte svikter. IACM-sensoren designet internt i Hydro avgir kontinuerlig strømavlesninger som blir analysert manuelt eller brukt i reguleringssløyfer, og understreker viktigheten av dataintegritet. Ved å anvende anomali maskinlæringsteknikker på historisk IACM-data kan vi oppdage og skille prosess- og sensoranomalier, noe som kan gi tidlige faresignal på potensielt kompromitterte data.

Etter å ha utført en hybrid Systematic Literature Review, ble arkitekturene presentert i litteraturen vurdert etter et sett med arkitektoniske krav. Hirarchical Temporal Memory (HTM), LSTM/GRU, og Yet Another Segmentation Algorithm (YASA) med en One Class Support Vector Machine (OCSVM) ble implementert og testet. En kvalitativ tilnærming ble tatt, gitt mangelen på tilgjengelige avviksbeskrivelser og/eller en hendelseslogg over tidligere anomalier. Resultater viser lovende regresjons- og anomali-deteksjonsresultater for LSTM / GRU og HTM, mens YASA med OCSVM slet med å segmentere og modellere dataen korrekt. For å forbedre YASA ble det utført glatteteknikker og rengjøring av datasett basert på eksportkunnskap.

Anomalipåvisning for alle modeller ble undersøkt. To metoder for separasjon av sensor- og prosessanomalier ble testet, der sammenligningen av standardavviket i strømtrekk og cellespenning ga en separasjon.

Framtidig arbeid skisserer viktigheten av å besøke problemet på nytt med en formell anomalibeskrivelse eller evnen til å syntetisere anomalier med sammenlignbare signaturer. Modellenes forklarbarhet bør utforskes og kanskje vektes mer under evalueringsprosessen, ettersom resultatene blir tolket manuelt av operatører.

Carbon anodes are a crucial component in the aluminium electrolysis process. Monitoring the current draw through the hanger the carbon anode is positioned on allows operators to track and control the electrolysis environment, potentially avoiding catastrophic failure. The IACM-sensor designed in-house at Hydro regularly feeds current draw readings to be further analyzed manually or to be used in control loops, emphasizing the importance of data integrity. By applying machine learning anomaly detection techniques to historic IACM data, we can detect and separate process and sensor anomalies, giving early detection of potentially compromised data.

After performing a hybrid Systematic Literature Review, the architectures presented in the literature was rated according to a set of architectural requirements. Hierarchical Temporal Memory (HTM), LSTM/GRU, and Yet Another Segmentation Algorithm (YASA) with a One-Class Support Vector Machine (OCSVM) were implemented and tested. A qualitative approach was taken, given the lack of available anomaly descriptions and an event log of previous anomalies. Results show promising regression and anomaly detection results for LSTM/GRU and HTM, while the YASA with OCSVM struggled to correctly segment and model the noisy data. To prevent this, smoothing techniques for YASA and data set cleaning from export knowledge was performed.

Anomaly detection for all models was explored. Two methods for separation of sensor and process anomalies were tested, where the comparison of the standard deviation in the current draw and cell voltage yielded a separation.

Future work outlines the importance of re-visiting the problem with a formal anomaly description or the ability to synthetically inject anomalies with comparable signatures. The explainability of the models should be explored and weighted more during the evaluation process, as the results are manually interpreted by operators.