无监督 ALS EPICS 事件日志中的异常检测.pdfVIP

无监督ALSEPICS事件日志中的异常检测

∗

A.Sulc,T.Hellert,S.Hunt,LBNL,Berkeley,CA,USA

Abstract可能无法捕捉到由子系统之间复杂的突发交互引起

的细微先兆事件或故障。本文提出了一种机器学习

本文介绍了一个用于高级光源（ALS）的自动化

框架，旨在克服这些限制。我们将问题重新表述为

故障分析框架，该框架处理其EPICS控制系统中的

将事件日志数据视为顺序语言，并应用现代自然语

实时事件日志。通过将日志条目视为自然语言，我

言处理（NLP）和深度学习技术来学习“正常机器

们使用语义嵌入技术将其转换为上下文向量表示。

操作的语法规则”。我们的系统自动检测并评估异常

一个基于序列感知神经网络，在正常运行数据上进

事件序列，为控制室操作员提供偏离正常运行的定

行训练，为每个事件分配实时异常分数。此方法标

量度量。

记出与基线行为的偏差，使操作员能够快速识别复

杂系统故障之前的关键事件序列。本工作旨在将诊断范式从反应性的、基于警报

的监控转变为前瞻性的、数据驱动的方法，主要贡

本介绍献包括：(i)应用自然语言处理嵌入来创建EPICS事

件有意义的数值表示形式，以便可视化和解释机器

译劳伦斯伯克利国家实验室的先进光源(Ad-状态；以及(ii)一种序列感知的单类神经网络模型，

中vancedLightSource,ALS)是一个第三代同步辐射光用于检测这些事件流中的异常。

1源设施，服务于来自世界各地的科学家们[1]。其运

v行依赖于一个基于实验物理与工业控制系统(Exper-方法论

1

2imentalPhysicsandIndustrialControlSystem,EPICS)

6我们的框架包括两个主要阶段：（1）数据预处

3工具包的复杂分布式控制系统[2]。该系统包括数百

1个输入/输出控制器(Input/OutputControllers,IOCs)，理和表示，其中原始事件日志被转换为数值向量，

9.管理着超过200,000个过程变量(processvariables,以及（2）异常检测，其中深度学习模型根据学习到

0的正常模式对事件进行评分。

5PVs)，每个PV对应于一个特定的监测或控制信号

2

:——从磁铁电源和真空计到插入设备和光束线光学通道名称解释

v

i组件。

x为了更好地理解ALS中光伏命名约定的内在结

r维持在这种复杂环境中的高可用性和运营效率

a构，我们开发了一种方法来将通道名称组件之间的

需要快速故障诊断。当电子束丢失或关键子系统发