基于K-means优化算法的工业设备行为检测方法技术

本发明专利技术提出基于K

【技术实现步骤摘要】
基于K-means优化算法的工业设备行为检测方法


[0001]本专利技术属于工业控制网络信息安全领域，具体说是一种主要面向于设备行为特性的一种识别方法。

技术介绍

[0002]在工业进行生产的过程具有一定的危险性，一旦不慎，极易引发爆炸、毒气扩散等，导致事故发生、财产损失，甚至是伤亡，因此在工业中引入异常检测技术是十分必要的。在工业中使用设备行为检测技术及时识别设备状态，如果产生异常情况能够及时发现问题，在发生事故前发现并及时采取行动应对，使得生产回复正常运行，从而最大程度降低损失。目前工业设备行为检测技术主要通过工业生产过程中各个仪表或设备所产生的数据采集，形成历史数据库，并通过相应算法对历史数据进行处理、分析，进而实现行为检测。
[0003]随着计算机和网络在工业上的应用越来越广泛，工业运行模式也发生了改变，使得工业设备行为更加复杂，数据更加庞大。这导致目前面对缺乏对复杂多变的工业数据时出现了无法准确描述和高效的定制化的优化控制方法这一问题，而利用工业设备生产历史所产生的大量设备行为数据建立利用行业特征知识库驱动的模型恰恰能够解决这一问题。利用行业特征知识库所驱动力的模型能够有效的对工业设备运行状态进行实时监督、及时警报，是的相关人员能够做到及时调整参数、矫正错误的工业运行，实现工业的优化生产，避免重大损失。

技术实现思路

[0004]针对工业设备行为误报率较高，计算量过大导致延迟误报等问题，本专利技术提出了一种基于优化聚类算法的无监督异常检测方法。通过自编码器神经网络、粒子群优化算法对K-means无监督学习算法进行优化，并利用设备行为历史数据的特征知识库进行模型建立和训练，得到聚类中心和距离，利用聚类中心和距离作为标准，对实时设备数据进行诊断，实现设备行为的诊断。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]基于K-means优化算法的工业设备行为检测方法，包括下步骤：
[0007]1)获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；
[0008]2)设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；
[0009]3)在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；
[0010]4)更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；
[0011]5)计算数据点与聚类中心位置之间的距离，更新簇；
[0012]6)重复步骤4)和步骤5)，直到完成设定的迭代次数n，即得到最终聚类中心和聚类簇划分；
[0013]7)输出最终结果即设备的工业设备行为状态。
[0014]所述使用自编码器进行训练，降低数据集维度具体为：
[0015]将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。
[0016]所述编码过程为：
[0017]h1＝σ
e
(W1x+b1)
[0018]所述解码过程为：
[0019]y＝σ
d
(W2h1+b2)
[0020]其中，W1为编码权重，b1为编码偏置，W2为解码权重，b2为解码偏置，σ
e
、σ
d
均为非线性变换，h1为中间变量，x为输入层数据，y为输出层数据。
[0021]所述K-means算法具体为：
[0022]确定聚类簇数即聚类中心数目k；
[0023]从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；
[0024]依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；
[0025]将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。
[0026]所述粒子群算法具体为：
[0027]1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；
[0028]2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；
[0029]3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；
[0030]4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。
[0031]基于K-means优化算法的工业设备行为检测系统，包括：
[0032]数据获取模块：用于获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；
[0033]数据处理模块，用于设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；
[0034]模型训练模块，用于根据设定的迭代次数迭代更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心，并计算数据点与聚类中心位置之间的距离，更新簇，直至完成设定的迭代次数，即得到最终聚类中心和聚类簇划分；
[0035]模型输出模块，用于输出最终结果即设备的工业设备行为状态。
[0036]所述数据获取模块使用自编码器进行训练，降低数据集维度，具体为：
[0037]将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。
[0038]所述编码过程为：
[0039]h1＝σ
e
(W1x+b1)
[0040]所述解码过程为：
[0041]y＝σ
d
(W2h1+b2)
[0042]其中，W1为编码权重，b1为编码偏置，W2为解码权重，b2为解码偏置，σ
e
、σ
d
均为非线性变换，h1为中间变量，x为输入层数据，y为输出层数据。
[0043]所述数据处理模块中使用K-means算法，具体为：
[0044]确定聚类簇数即聚类中心数目k；
[0045]从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；
[0046]依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于K-means优化算法的工业设备行为检测方法，其特征在于，包括下步骤：1)获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；2)设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；3)在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；4)更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；5)计算数据点与聚类中心位置之间的距离，更新簇；6)重复步骤4)和步骤5)，直到完成设定的迭代次数n，即得到最终聚类中心和聚类簇划分；7)输出最终结果即设备的工业设备行为状态。2.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述使用自编码器进行训练，降低数据集维度具体为：将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。3.根据权利要求2所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述编码过程为：h1＝σ
e
(W1x+b1)所述解码过程为：y＝σ
d
(W2h1+b2)其中，W1为编码权重，b1为编码偏置，W2为解码权重，b2为解码偏置，σ
e
、σ
d
均为非线性变换，h1为中间变量，x为输入层数据，y为输出层数据。4.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述K-means算法具体为：确定聚类簇数即聚类中心数目k；从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。5.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述粒子群算法具体为：1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；
4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。6.基于K-means优化算法的工业设备行为检测系统...

【专利技术属性】
技术研发人员：刘贤达，陈德童，赵剑明，陈春雨，曾锃，张博文，王天宇，
申请(专利权)人：国网江苏省电力有限公司信息通信分公司，
类型：发明
国别省市：