因此，如果我理解正确：您及时获得来自 2 个传感器的数据：Ar 流量和 BackGas 流量（SCCM，那是什么？）您拥有多个产品的数据。

1 - 由于它的维度相对较低，您可以尝试将原始数据与 K-Means 或自组织图一起使用。

2 - 如果您及时搜索异常，您可以尝试使用特征工程来处理流量变化：

• i) 取2个时间点并“推导”（A点-B点）/（A点-B点）
• ii) 取 A 的结果并作为二阶导数重复该过程，尝试对许多级别的“导数”
• iii) 用于聚合过程中传感器故障检测的机器学习应用。在：Simpósio Brasileiro de Telecomunicações e Processamento de Sinais。

3 - 您可能想要查看其他与时间序列相关的研究，甚至是回归和分类，因为它们可能会为您提供有关相关特征或方法的想法：

• i) 时间相关分类的集成方法 (10.1109/ICMLA.2018.00164)
• ii) 高炉氧气炉数据驱动终点预测的多元时间序列 (DOI: 10.1109/ICMLA.2018.00231)

4 - 请注意，异常是异常值，因此分析远离您当时可能设计的任何特征的平均值的数据。基于 RBF 内核的模型可能会获取一些信息。

5 - 由于您不知道集群的数量，您可以尝试分层集群。

6 - 不要忘记与您所在领域的人讨论对此的期望。

如果你能详细说明你正在寻找的异常类型，我可能会提出更好的想法。这是非常一般的提示。

我可能误解了您想要集群的内容：

7 - 如果您想检测以下异常：

• i)上面的产品行为提示主要是针对它的，您可以在短时间内使用所有 23 个功能并像这样进行集群：

    For each product in dataset {

      samples = {} # empty set

      For each time interval in product {

        features in interval add to samples

      }

      perform clustering method using samples

    }

该算法将有助于对产品行为异常的时间段进行聚类

• ii）然后对于类似的传感器行为，您可以尝试提示 8

• iii）产品本身为每个产品创建一个包含所有可用信息的特征向量，然后对其进行聚类。由于它由可变时间间隔和每个产品的 23 个特征（加上时间）组成，您可能需要使用一些降维（PCA 应该可以正常工作，因为它为您提供了更大方差的方向并且您正在寻找它） . 使用回归器对产品行为和聚类进行建模，这可能都是有用的（及时为每个产品创建一个回归器以对其行为进行建模，然后将回归器的权重聚类为产品表示）

8 - 假设您想识别传感器行为，将传感器输出建模为函数f（时间，外变量）并对其进行回归（尝试线性，然后尝试非线性）可能会有所帮助。回归器在预测答案时表现不佳的时间点可能表明该行为是异常的