中文摘要: 多传感器系统中的异常检测在工业监控、网络入侵检测等应用中起着至关重要作用。然而，大量未标签的数据以及在时序数据中识别非异常情况给异常检测任务带来了巨大挑战。为此，提出基于Transformer编码器的异常检测算法（Transformer-Encoder-based Anomaly Detection，TEAD）。TEAD算法不依赖标签数据，属于无监督学习，它结合了Transformer框架和最优截断奇异值分解（Optimal Truncated Singular Value Decomposition，OT-SVD）的优点。TEAD算法由用于有效时间序列表示的多头Transformer编码器、用于重构的卷积解码器和用于预测分析的预测模块构成。通过OT-SVD去除数据中的噪声，为计算重构损失和预测损失提供参考值，并对重构损失和预测损失进行融合，进而计算异常分数。再依据异常分数判断传感器的测量值是否存在异常。与基于典型的机器学习和深度学习的异常检测算法相比，所提出的TEAD算法提升了检测性能，增强了模型的泛化能力。TEAD算法在数据集SWAT上AUC值达到0.916，而基准算法的AUC不及0.85。