产品感知深度自编码器用于多产品信息物理系统中的鲁棒过程监控

随着工业4.0加速信息物理系统（CPS）在制造业中的集成，鲁棒异常检测对于确保过程安全与安保变得至关重要。当前的数据驱动方法通常采用“产品无关”或全局模型，这些模型基于所有正常操作数据的聚合进行训练。然而，现代工业设施经常在多种产品等级下运行。尽管计算简单，这些全局模型会固有地扩展其决策边界以适应多模式的方差，从而产生“盲点”，使细微异常或有针对性的网络物理攻击可能被模型的宽接受区域掩盖。本研究首先证明了上述漏洞存在于跨多种产品等级运行的全局无关模型中。然后，我们提出了一种产品感知自编码器作为一种原则性的缓解措施，将学习域限制在等级特定的分布中。虽然这种方法降低了已识别的盲点风险，但我们并不声称它是所有可能替代方案中的最优缓解措施。我们使用扩展田纳西伊斯曼过程（TEP）基准对该方法进行了严格的验证，并与全局无关基线进行了比较。实证结果表明，产品感知框架在标准检测指标上与全局基线表现相当，同时对于产品等级特定的操作模式具有更好的鲁棒性。最关键的是，模拟假设攻击场景的压力测试显示，全局模型在77.8%的场景中无法检测到操作偏差，而产品感知系统实现了100%的检测准确率。这些发现表明，在柔性制造环境中，通用异常检测器可能带来非平凡的安全风险，从而推动向模式感知诊断架构的转变。