Multivariate time-series anomaly detection is important for ensuring the reliable operation of an industrial process. Most real-world industrial processes consist of multiple stages (or sub-processes). In such a multi-stage industrial process, sensors in the same sub-process are highly correlated, and sensors in distinct sub-processes can even exhibit notable correlations when the sub-processes are closely related. Recently, graph neural networks-based methods have achieved remarkable performance in multivariate time-series anomaly detection because they can effectively capture complex inter-sensor dependencies by learning a graph that explicitly represents relationships between sensors. However, there is still room for improvement in their performance by enhancing the ability to capture inter-sensor dependencies when dealing with multistage industrial processes as most of them overlooked pervasively existing two types of partial knowledge regarding the dependencies, \textit{which sub-process a sensor belongs to} and \textit{which sub-processes are closely related,} when learning the latent graph structure. In this paper, we propose a novel graph neural network-based multivariate time series anomaly detection method for multistage industrial processes, which can learn multiple graph structures with the assistance of both types of the partial knowledge about inter-sensor dependencies and has the enhanced ability to capture complex inter-sensor dependencies. We demonstrate the superiority of the proposed method with two sensor datasets from real-world multistage industrial processes.
다변량 시계열 이상 탐지는 산업 공정의 안정적인 운영을 위해서 중요하다. 대부분의 실제 산업 공정은 다단계의 하위 프로세스로 구성되어 있다. 이러한 다단계 산업 공정에서는 동일하거나 밀접한 관련이 있는 하위 프로세스 내의 센서들이 높은 상관성을 지니고 있다. 최근에는 다변량 시계열 이상탐지에서 그래프 신경망 기반 방법들이 센서 간 관계를 명시적으로 나타내는 그래프를 학습하여 복잡한 센서 간 종속성을 효과적으로 포착할 수 있어 높은 성과를 거두고 있다. 그러나, 다단계 산업 공정에서는 이러한 방법들의 센서 간 종속성을 포착하는 능력의 개선을 통한 이상 탐지 성능 향상의 여지가 있다. 왜나하면, 이들은 그래프 구조를 학습할 때 센서가 어떤 하위 프로세스에 속하는지 및 어떤 하위 프로세스가 서로 밀접한 관련성을 가지는지에 대한 만연한 지식을 간과했기 때문이다. 우리는 하위 프로세스와 센서들 간의 관계성에 대한 사전 지식을 반영해 다중 그래프를 학습하여 효과적으로 복잡한 센서 간 종속성을 포착할 수 있는 새로운 그래프 신경망 기반 다변량 시계열 이상탐지 방법론을 제안한다. 실제 다단계 산업 공정의 두 개의 센서 데이터를 통해 제안한 방법론의 우수성을 보였다.
