CAE数据异常检测 — 故障排除指南
本文已移至集成版本
更丰富的内容请参阅 anomaly-detection.html。
更丰富的内容请参阅 anomaly-detection.html。
常见问题与对策
我创建了异常检测模型，但效果不好，应该怎么办？
让我们整理一下常见问题。
1. 误检率过高
症状：正常的仿真结果被误判为异常。
原因和对策：
- 阈值过于严格。将训练数据的99百分位数改为99.5或99.9百分位数来放宽
- 正常数据的多样性不足。添加具有不同边界条件或材料参数的正常情况
- 特征缩放不适当。检查是否对每个物理量分别进行了标准化
2. 遗漏已知异常
症状：明显错误的结果（接近发散的情况等）未被检测。
原因和对策：
- 模型表达能力不足。增加瓶颈层的维度，或改变为更复杂的架构
- 异常类型被淹没在正常数据的变动范围内。重新设计特征，添加异常特有的特征（能量平衡误差、力的不平衡等）
3. 学习不收敛
症状：自编码器的重构误差不下降，或出现NaN。
原因和对策：
- 输入数据包含NaN/Inf。在预处理中将其移除
- 学习率过高。改为1e-4或1e-5
- 输入数据缩放过大。彻底进行标准化（均值0、方差1）
"阈值设置"似乎是最困扰人的部分。
实际中，阈值不会一次确定。通常是从较宽松的阈值开始运营，同时观察误检和遗漏的实际数据，逐步调整。与领域专家的紧密合作是关键。
4. 计算成本过大
症状：大规模数据集的学习耗时过长。
对策：
- 先用PCA进行维数缩减，再应用Isolation Forest等方法
- 自编码器采用批学习和GPU加速
- 选择支持增量学习（仅用新数据追加学习）的方法
5. 不同网格数据的整合
症状：用不同网格计算的情况之间无法比较。
对策：
- 重新采样到共同的插值网格，然后提取特征
- 聚合为标量特征（最大值、平均值、RMS等）进行比较
- 使用基于GNN的方法来学习整个网格结构
Coffee Break 闲话
"明明正常却被说异常"——概念漂移问题
在长期运营CAE异常检测模型时，必然会遇到"概念漂移"问题。当制造工艺得到改进或材料规格改变时，曾经"正常"的模式会发生变化。有一个压力成形仿真的质量管理系统，在更换为新的钢材规格后的第二天，异常警报激增。模型学到的是"旧的正常"。处理方式大体分为两种：（1）定期重新学习（自动化重新训练管道），（2）在前端加入ADWIN（自适应窗口）或PHT（Page-Hinkley测试）等在线变化检测算法来自动检测漂移。如果两者都没有妥善实施，模型的性能会逐渐下降。
AI×CAE仍是发展中的领域。— Project NovaSolver致力于探索机器学习与传统求解器融合所带来的可能性。
请告诉我们您在CAE数据异常检测实务中遇到的课题
Project NovaSolver致力于解决CAE工程师日常面临的难题——配置的繁琐性、计算成本、结果解释。您的实际经验将成为更优工具开发的动力。
联系我们（筹备中）相关话题
本文的评价
感谢您的评分！
有帮助
需要更多
细节
细节
报告
错误
错误