一种基于群体智能的工业物联网数据平台的异常检测算法制造技术

本发明专利技术公开一种基于群体智能的工业物联网数据平台的异常检测算法，包括以下步骤：S1、对于工业物联网IOT数据平台采集到的数据进行预处理操作；S2、针对采集的不同数据类型进行分别表征；S3、利用群体智能算法实现异常数据子集的筛选；S4、将获得的异常数据子集输入到异常检测算法中进一步训练；S5、通过多轮重复训练验证，得到多目标对象的不同检测结果，实现数据平台异常检测的输出；本发明专利技术的网络基于群体智能算法框架，方便提前定位到重要特征数据所在的区域，减少不必要的计算，调高运算速度和性能；同时，采用深度学习异常检测方法，这样避免了人工重复运算的麻烦，提高网络训练的效率，进而提高工业物联网数据平台异常检测算法的鲁棒性。法的鲁棒性。法的鲁棒性。

【技术实现步骤摘要】
一种基于群体智能的工业物联网数据平台的异常检测算法


[0001]本专利技术涉及一种基于群体智能的工业物联网数据平台的异常检测算法，属于深度学习和智能制造


技术介绍

[0002]在中国制造2025、新基建、人工智能等一系列国家战略背景下，构建企业物联网IOT平台，是打造运营决策到生产调度再到设备自动化管理闭环的重要环节和坚实基石。但是，在提高平台建设能力、数据采集能力和业务应用能力的同时，带来一系列潜在问题，尤其是，在目前数据量“爆炸”的现状下，各种异常隐患对于物联网IOT平台的高效、健壮、可靠的运营和决策起到重要的影响。针对海量数据的前提下，本专利技术结合群体智能和深度学习的算法思路，利用全体智能算法首先筛选海量数据，接着借助深度学习算法，实现物联网IOT数据平台的异常检测。
[0003]群体智能(Swarm Intelligence)，是进化计算的一个重要分支，包含：粒子群优化算法(PSO)、蚁群优化算法(ACO)和人工蜂群优化算法(ABC)。群体智能算法由于它的简便性，被广泛用于特征选择、高效检索机制和自然表示。基于目前海量数据的前提下，如何高效且准确地提取到特征数据，是物联网IOT数据平台高效决策的关键。而伴随数据量指数级的增长，传统特征选择算法(决策树、朴素贝叶斯等)无法解决“维度爆炸”的问题，因此提出了以群体智能为首的新型特征选择算法，群体智能将特征选择分为两个步骤：评价指标和检索方法。
[0004]异常检测(Anomaly Detection)，也被称为异常值检测，被认为是检测某些显著偏离全体数据实例的异常实例的过程。近年来，深度学习在学习表达复杂数据(例如高维度数据、时序数据、空间数据和图数据)表示展现巨大的能力。而深度学习用于异常检测，旨在使用神经网络学习特征表示以及获取异常指标得分。并且，越来越多的深度学习异常检测算法得已研究，实验表明，这些算法在处理传统的异常检测问题中具有更优越的性能表现；本质而言，异常检测就是学习到一个特征表示映射函数，实现对数据集中每个数据实例计算一个异常得分，并从中选取异常实例，实现异常检测的功能。
[0005]现有的技术对于收集的数据没有在表示层面做进一步的表示研究，会导致冗余数据过多，进一步导致学习和检索的效率降低，严重影响系统的实时性能；使用支持向量机来构建模型，容易产生过拟合的效果，在实际的应用场景下难以取得较好的结果；针对海量实时云数据，没有做相关预处理操作，比如筛选、剔除、预分类等等，在后续的支持向量机模型的学习和预测中会有很大的难度，准确率会受到影响。

技术实现思路

[0006]针对上述现有技术存在的问题，本专利技术提供一种基于群体智能的工业物联网数据平台的异常检测算法，其网络基于群体智能算法框架，方便提前定位到重要特征数据所在的区域，减少不必要的计算，调高运算速度和性能；同时，采用深度学习异常检测方法，这样
避免了人工重复运算的麻烦，提高网络训练的效率，进而提高工业物联网数据平台异常检测算法的鲁棒性。
[0007]为了实现上述目的，本专利技术采用的技术方案是：一种基于群体智能的工业物联网数据平台的异常检测算法，包括以下步骤：
[0008]S1、对于工业物联网IOT数据平台采集到的数据进行预处理操作；
[0009]S2、针对采集的不同数据类型进行分别表征；
[0010]S3、利用群体智能算法实现异常数据子集的筛选；
[0011]S4、将获得的异常数据子集输入到异常检测算法中进一步训练；
[0012]S5、通过多轮重复训练验证，得到多目标对象的不同检测结果，实现数据平台异常检测的输出。
[0013]优选的，所述的步骤S1包括以下基本操作：
[0014]S11、工业物联网IOT数据平台首先分类别存放不同模块数据；
[0015]S12、针对不同类别的数据进行清洗，剔除明显错误数据；
[0016]S13、初步清洗后的数据，输入下一步分类表征。
[0017]优选的，所述的步骤S2包括以下基本操作：
[0018]S21、针对不同的数据类型进行表征，包括：连续型、二值型、图类型；
[0019]S22、所述的S21中的数据的二值类型，是通过其连续数据进一步划分阈值得到，需要对数据归一化；
[0020]S23、对图类型数据采用特殊的矩阵或者链接链表进行表征；
[0021]S24、根据数据的不同类型和目标进行级别划分，并按序处理。
[0022]优选的，所述的步骤S3包括以下基本操作：
[0023]S31、针对不同类型的数据和目标特征，选用不同的群体智能算法，包括：粒子群算法、人造蜂群算法、蚁群算法；
[0024]S32、根据不同的指标要求，设定不同的阈值范围，进行数据初次筛选；
[0025]S33、将筛选后的数据进行重表征，再次输入到特定的群体智能算法中；
[0026]S34、初始化算法中各项参数，对输入数据进行训练计算；
[0027]S35、利用群体智能算法的分享机制，实现算法的进化；
[0028]S36、接着在算法训练结果的局部子集中进行目标筛选搜索。
[0029]优选的，所述的步骤S4包括以下基本操作：
[0030]S41、利用异常检测算法的特征提取部分，对数据特征进行提取。
[0031]优选的，所述的步骤S5包括以下基本操作：
[0032]S51、利用生成对抗表达式，计算生成对抗误差。
[0033]S52、利用先验概率分布，编码并驱动异常值学习；
[0034]S53、最终检测的结果由异常值与全体分布之间的偏离所衡量。
[0035]优选的，利用异常检测算法的特征提取部分，对数据特征进行提取，可以表示为：其中，Θ
*
,W
*
是训练来计算异常值的参数，是将原始数据映射到目标空间的函数，ψ则是用来学习目标空间数据的规律，而l则是损失函数。
[0036]优选的，包含以下的具体异常检测损失函数计算：
[0037]L
total
＝L
adv
(G,D)+αL
freq
(G)+γL
data
(G)；L
total
为总的损失函数值，L
adv
(G,D)是生成对抗网络中损失函数，G为生成器，D为判定器；α、γ为不同的权重参数，L
freq
(G)为欠采样频率损失函数，L
data
(G)为重构异常检测数据损失函数；
[0038]详细分析损失函数，将工业物联网数据平台异常检测问题总结为生成器误差最小化和判定器误差的最大化，用数学形式表示为：在数学式中M为k维数据空间的集合，S为所有重建数据的结合，和分别为生成器和判定器对M集合中元素和S集合中元素进行计算获得的误差值；
[0039]整个生成对抗网络循环训练过程中，低采样频率损失函数和数据重建损失函数L...

【技术保护点】

【技术特征摘要】
1.一种基于群体智能的工业物联网数据平台的异常检测算法，其特征在于，包括以下步骤：S1、对于工业物联网IOT数据平台采集到的数据进行预处理操作；S2、针对采集的不同数据类型进行分别表征；S3、利用群体智能算法实现异常数据子集的筛选；S4、将获得的异常数据子集输入到异常检测算法中进一步训练；S5、通过多轮重复训练验证，得到多目标对象的不同检测结果，实现数据平台异常检测的输出。2.根据权利要求1所述的一种基于群体智能的工业物联网数据平台的异常检测算法，其特征在于，所述的步骤S1包括以下基本操作：S11、工业物联网IOT数据平台首先分类别存放不同模块数据；S12、针对不同类别的数据进行清洗，剔除明显错误数据；S13、初步清洗后的数据，输入下一步分类表征。3.根据权利要求1所述的一种基于群体智能的工业物联网数据平台的异常检测算法，其特征在于，所述的步骤S2包括以下基本操作：S21、针对不同的数据类型进行表征，包括：连续型、二值型、图类型；S22、所述的S21中的数据的二值类型，是通过其连续数据进一步划分阈值得到，需要对数据归一化；S23、对图类型数据采用特殊的矩阵或者链接链表进行表征；S24、根据数据的不同类型和目标进行级别划分，并按序处理。4.根据权利要求1所述的一种基于群体智能的工业物联网数据平台的异常检测算法，其特征在于，所述的步骤S3包括以下基本操作：S31、针对不同类型的数据和目标特征，选用不同的群体智能算法，包括：粒子群算法、人造蜂群算法、蚁群算法；S32、根据不同的指标要求，设定不同的阈值范围，进行数据初次筛选；S33、将筛选后的数据进行重表征，再次输入到特定的群体智能算法中；S34、初始化算法中各项参数，对输入数据进行训练计算；S35、利用群体智能算法的分享机制，实现算法的进化；S36、接着在算法训练结果的局部子集中进行目标筛选搜索。5.根据权利要求1所述的一种基于群体智能的工业物联网数据平台的异常检测算法，其特征在于，所述的步骤S4包括以下基本操作：S41、利用异常检测算法的特征提取部分，对数据特征进行提取。6.根据权利要求1所...

【专利技术属性】
技术研发人员：张勋兵，袁海飞，王斌，李聪聪，孙雪蓓，孙玉玲，王继伟，魏凯，朱薪颖，高香玉，陈敏，李佳慧，
申请(专利权)人：徐州徐工挖掘机械有限公司，
类型：发明
国别省市：