產品感知深度自編碼器用於多產品信息物理系統中的魯棒過程監控

隨着工業4.0加速信息物理系統（CPS）在製造業中的集成，魯棒異常檢測對於確保過程安全與安保變得至關重要。當前的數據驅動方法通常採用“產品無關”或全局模型，這些模型基於所有正常操作數據的聚合進行訓練。然而，現代工業設施經常在多種產品等級下運行。儘管計算簡單，這些全局模型會固有地擴展其決策邊界以適應多模式的方差，從而產生“盲點”，使細微異常或有針對性的網絡物理攻擊可能被模型的寬接受區域掩蓋。本研究首先證明了上述漏洞存在於跨多種產品等級運行的全局無關模型中。然後，我們提出了一種產品感知自編碼器作為一種原則性的緩解措施，將學習域限制在等級特定的分佈中。雖然這種方法降低了已識別的盲點風險，但我們並不聲稱它是所有可能替代方案中的最優緩解措施。我們使用擴展田納西伊斯曼過程（TEP）基準對該方法進行了嚴格的驗證，並與全局無關基線進行了比較。實證結果表明，產品感知框架在標準檢測指標上與全局基線表現相當，同時對於產品等級特定的操作模式具有更好的魯棒性。最關鍵的是，模擬假設攻擊場景的壓力測試顯示，全局模型在77.8%的場景中無法檢測到操作偏差，而產品感知系統實現了100%的檢測準確率。這些發現表明，在柔性製造環境中，通用異常檢測器可能帶來非平凡的安全風險，從而推動向模式感知診斷架構的轉變。