Характеристики

Лицензия: MIT
Библиотека: sklearn
Опубликована: 5 сен 2026

Ссылки

refineryguard-lstm-ae

Классификация таблицTable → label

Набор моделей для обнаружения аномалий и классификации неисправностей в симуляционных временных рядах процесса Tennessee Eastman.

0скачиваний за 30 дней0лайковвеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

RefineryGuard LSTM-AE — созданный инженерной командой Aria AI набор моделей для выявления аномалий и классификации неисправностей в данных Tennessee Eastman Process (TEP). В комплект входят LSTM-автокодировщик для оценки аномальности по ошибке реконструкции, модели Isolation Forest и PCA, классификатор 22 классов неисправностей на HistGradientBoosting, а также средства масштабирования и пороговые значения. Основной детектор для оперативных сигналов — PCA-реконструкция; LSTM-AE предназначен для оценки аномальности и анализа отдельных тегов процесса.

Набор проверен на симуляционных данных TEP и протоколе Braatz с отложенными испытаниями неисправностей. В этом протоколе все три детектора обнаружили 21 неисправность, но у LSTM-AE была высокая доля ложных тревог до возникновения неисправности, поэтому авторы не рекомендуют использовать его как основной источник аварийных сигналов. Модель не обучалась на данных действующего нефтеперерабатывающего предприятия; перед применением на конкретном производстве требуется калибровка порогов. Файлы включают ONNX и joblib-модели; лицензия — MIT.

Сценарии применения

обнаружение отклонений в данных технологического процесса
раннее выявление неисправностей по временным рядам TEP
классификация 22 типов неисправностей процесса
оценка аномальности с помощью ошибки реконструкции LSTM-автокодировщика
снижение числа ложных тревог с помощью PCA-реконструкции

Ограничения

Обучение и оценка проводились только на симуляционных данных TEP, поэтому модель не подтверждена для данных действующего предприятия и требует локальной перекалибровки. У LSTM-AE высокая доля ложных тревог до возникновения неисправности; основной оперативный детектор в наборе — PCA-реконструкция.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RefineryGuard LSTM-AE

CPU-friendly process-anomaly bundle for the Tennessee Eastman Process:

lstm_ae.onnx — LSTM autoencoder (reconstruction error = anomaly score)
isolation_forest.joblib — window mean/std baseline
pca.joblib — 90% variance reconstruction baseline (operational primary detector)
fault_classifier.joblib — 22-class TEP fault id (HistGradientBoosting)
scaler.joblib / normal_stats.joblib / thresholds.joblib
eval_results.json — held-out Braatz test protocol

Data honesty

Trained only on TEP simulation (Downs & Vogel 1993; Braatz evaluation files). Not a live refinery model. Thresholds are 99th percentiles of normal reconstruction / IF scores on IDV(0) train windows. Recalibrate on each plant before any operational use.

Operational alerts use PCA reconstruction (lowest usable false-alarm rate among LSTM / PCA / Isolation Forest). LSTM-AE is kept for scoring and per-tag attribution; it is not the primary alarm because its pre-fault FAR on this protocol is high (~0.58).

Held-out protocol (fault after 8 h)

Detector	Detection (21 faults)	Mean TTD (h)	Mean FAR (pre-fault / IDV0)
PCA reconstruction (primary)	100%	1.51	0.025
Isolation Forest	100%	1.02	0.126
LSTM-AE	100%	0.06	0.585
Univariate 3σ baseline	100%	1.07	0.072

Mean alarm reduction (PCA incidents vs raw 3σ tag alarms): 93%. IDV(3), IDV(9), IDV(15) are weakly observable in the TEP literature.

How to score a window

import joblib, numpy as np, onnxruntime as ort
scaler = joblib.load("scaler.joblib")
thr = joblib.load("thresholds.joblib")
sess = ort.InferenceSession("lstm_ae.onnx")
# x: (T, 52) raw tags in xmeas_1..xmv_11 order, T>=20
from numpy.lib.stride_tricks import sliding_window_view
scaled = scaler.transform(x)
windows = sliding_window_view(scaled, (20, 52))[:, 0]
recon = sess.run(None, {"window": windows.astype("float32")})[0]
score = ((windows - recon) ** 2).mean(axis=(1, 2))
alert = score > thr["lstm"]

Dataset: alirezaaminzadeh/refineryguard-tep-features
Space: alirezaaminzadeh/refineryguard-process-anomaly
Collection: RefineryGuard
Product: aria-ai.ir

MIT · Aria AI Engineering Team

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sklearn

Нельзя запустить

Табличные модели пока не поддерживаются.

Ревизия весов: b2775d2