本申请属于人工智能领域，涉及一种异常参数检测方法、装置、计算机可读介质及电子设备。包括：实时获取包含参数值的第一时间序列，对所述第一时间序列进行预处理以获取第一向量；将所述第一向量输入至卷积堆叠自编码器，通过所述卷积堆叠自编码器对所述第一向量进行卷积和反卷积处理，以获取第二向量；根据所述第一向量和所述第二向量确定第一差值集合，对所述第一差值集合中的异常值进行检测，以获取检测结果。本申请能够通过对第一时间序列中的参数值进行差分处理以保证时间序列的平稳性，同时采用卷积堆叠自编码器防止数据泄露，进一步地提高了检测结果的准确性。地提高了检测结果的准确性。地提高了检测结果的准确性。
【技术实现步骤摘要】
异常参数检测方法、装置、计算机可读介质及电子设备
[0001]本申请属于人工智能
，具体涉及一种异常参数检测方法、异常参数检测装置、计算机可读介质以及电子设备。
技术介绍
[0002]在设备运行过程中，设备的参数、生成的数据都可以构成时间序列，为了对设备运行状况进行判断，可以通过对该时间序列进行分析，判断其中是否存在异常点，如果存在则说明设备运行存在异常，需要进行维护，以保证设备的正常运行。例如在采用半导体制造设备制造半导体材料时，半导体制造设备的参数对半导体的后续制造起着关键的作用，稍有不慎就会造成半导体的不可用，所以在加工过程中，需要根据设备的参数生成的时间序列进行异常判断，及时调整相关参数设置，避免因为设备关键参数而造成的经济损失。
[0003]但是，相关技术中对时间序列进行异常值检测的方法通常都存在准确性差的问题。
技术实现思路
[0004]本申请的目的在于提供一种异常参数检测方法、异常参数检测装置、异常参数检测系统、计算机可读介质以及电子设备，能够克服相关技术中存在的异常参数检测的准确性差的问题。
[0005]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0006]根据本申请实施例的一个方面，提供一种异常参数检测方法，该方法包括：实时获取包含参数值的第一时间序列，对所述第一时间序列进行预处理以获取与所述第一时间序列对应的第一向量；将所述第一向量输入至卷积堆叠自编码器，通过所述卷积堆叠自编码器对所述第一向量进行卷积和反卷积处理，以获取第二向量；根据所述第一向量和所述第二向量确定第一差值集合，对所述第一差值集合中的异常值进行检测，以获取检测结果。
[0007]根据本申请实施例的一个方面，提供一种异常参数检测装置，该装置包括：预处理模块，用于实时获取包含参数值的第一时间序列，对所述第一时间序列进行预处理以获取与所述第一时间序列对应的第一向量；模型处理模块，用于将所述第一向量输入至卷积堆叠自编码器，通过所述卷积堆叠自编码器对所述第一向量进行卷积和反卷积处理，以获取第二向量；异常检测模块，用于根据所述第一向量和所述第二向量确定第一差值集合，对所述第一差值集合中的异常值进行检测，以获取检测结果。
[0008]在本申请的一些实施例中，基于以上技术方案，所述预处理模块配置为：对所述第一时间序列中相邻两时间点对应的参数值进行差分处理，以获取与所述第一时间序列对应的第一差分时间序列；根据预设的时间滑动窗口对所述第一差分时间序列进行转换，以获取所述第一向量。
[0009]在本申请的一些实施例中，基于以上技术方案，所述预处理模块配置为：在对所述
第一时间序列中相邻两时间点对应的参数值进行差分处理之前，对所述第一时间序列中的参数值进行对齐处理，以将所述第一时间序列中的参数值按时间顺序排列。
[0010]在本申请的一些实施例中，所述卷积堆叠自编码器包括输入层、卷积单元、反卷积单元和输出层，所述卷积单元包括一个或多个卷积层，所述反卷积单元包括一个或多个反卷积层；基于以上技术方案，所述模型处理模块配置为：通过所述输入层将所述第一向量传送至所述卷积单元，通过所述卷积单元中的卷积层对所述第一向量进行一维卷积操作，以获取与所述第一向量对应的高阶向量；将所述高阶向量传送至所述反卷积单元，通过所述反卷积单元中的反卷积层对所述高阶向量进行反卷积操作，以获取与所述第一向量具有相同维度的第二向量，并通过所述输出层输出所述第二向量。
[0011]在本申请的一些实施例中，基于以上技术方案，所述异常检测模块配置为：将所述第一向量和所述第二向量中同一维度的数值相减，以获取多个差值；对各所述差值取绝对值，并根据获取的多个差值绝对值确定所述第一差值集合。
[0012]在本申请的一些实施例中，基于以上技术方案，所述异常检测模块配置为：判断所述第一差值集合中的各个差值绝对值是否包含于异常区间；当所述差值绝对值包含于所述异常区间中时，判定所述差值绝对值为异常值。
[0013]在本申请的一些实施例中，基于以上技术方案，所述异常区间是采用统计的方法对第二差值集合进行计算生成的，所述第二差值集合是根据第三向量和通过所述卷积堆叠自编码器对所述第三向量进行处理生成的第四向量所生成的，其中，所述第三向量是根据包含历史参数的第二时间序列生成的向量。
[0014]在本申请的一些实施例中，基于以上技术方案，所述异常区间是采用3
‑
sigma准则对所述第二差值集合进行计算生成的。
[0015]在本申请的一些实施例中，基于以上技术方案，所述异常参数检测装置还包括：获取模块，用于在将所述第一向量输入至卷积堆叠自编码器之前，获取包含历史参数的第二时间序列，对所述第二时间序列进行预处理以获取第三向量；预测模块，用于将所述第三向量输入至待训练的卷积堆叠自编码器，通过所述待训练的卷积堆叠自编码器对所述第三向量进行卷积和反卷积处理，以获取预测向量；调参模块，用于根据所述预测向量和所述第三向量对所述待训练的卷积堆叠自编码器进行调参，直至获取所述卷积堆叠自编码器。
[0016]在本申请的一些实施例中，基于以上技术方案，所述获取模块配置为：对所述第二时间序列中相邻两时间点对应的历史参数值进行差分处理，以获取与所述第二时间序列对应的第二差分时间序列；根据预设的时间滑动窗口对所述第二差分时间序列进行转换，以获取所述第三向量。
[0017]在本申请的一些实施例中，基于以上技术方案，所述获取模块配置为：在对所述第二时间序列中相邻两时间点对应的历史参数值进行差分处理之前，对所述第二时间序列中的参数值进行对齐处理，以将所述第二时间序列中的参数值按时间顺序排列。
[0018]在本申请的一些实施例中，基于以上技术方案，所述调参模块包括：损失函数确定单元，用于根据所述预测向量和所述第三向量确定损失函数；优化单元，用于最小化所述损失函数，以获取最优参数，并根据所述最优参数对所述待训练的卷积堆叠自编码器的参数进行调整。
[0019]在本申请的一些实施例中，所述损失函数为均方差损失函数；基于以上技术方案，
所述优化单元配置为：判断所述均方差损失函数的下降趋势是否趋于稳定；当所述均方差损失函数的下降趋势未趋于稳定时，对所述均方差损失函数进行梯度下降，并将获取的梯度反向传播，以更新所述待训练的卷积堆叠自编码器中的参数；重复以上两步骤，直至所述均方差损失函数的下降趋势趋于稳定。
[0020]在本申请的一些实施例中，基于以上技术方案，所述异常参数检测装置还配置为：当所述检测结果为所述第一差值集合中存在异常值时，触发报警装置进行错误提示。
[0021]根据本申请实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的异常参数检测方法。
[0022]根据本申请实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常参数检测方法，其特征在于，包括：实时获取包含参数值的第一时间序列，对所述第一时间序列进行预处理以获取第一向量；将所述第一向量输入至卷积堆叠自编码器，通过所述卷积堆叠自编码器对所述第一向量进行卷积和反卷积处理，以获取第二向量；根据所述第一向量和所述第二向量确定第一差值集合，对所述第一差值集合中的异常值进行检测，以获取检测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述第一时间序列进行预处理以获取第一向量，包括：对所述第一时间序列中相邻两时间点对应的参数值进行差分处理，以获取与所述第一时间序列对应的第一差分时间序列；根据预设的时间滑动窗口对所述第一差分时间序列进行转换，以获取所述第一向量。3.根据权利要求1所述的方法，其特征在于，在对所述第一时间序列中相邻两时间点对应的参数值进行差分处理之前，所述方法还包括：对所述第一时间序列中的参数值进行对齐处理，以将所述第一时间序列中的参数值按时间顺序排列。4.根据权利要求1所述的方法，其特征在于，所述卷积堆叠自编码器包括输入层、卷积单元、反卷积单元和输出层，所述卷积单元包括一个或多个卷积层，所述反卷积单元包括一个或多个反卷积层；所述将所述第一向量输入至卷积堆叠自编码器，通过所述卷积堆叠自编码器对所述第一向量进行卷积和反卷积处理，以获取第二向量，包括：通过所述输入层将所述第一向量传送至所述卷积单元，通过所述卷积单元中的卷积层对所述第一向量进行一维卷积操作，以获取与所述第一向量对应的高阶向量；将所述高阶向量传送至所述反卷积单元，通过所述反卷积单元中的反卷积层对所述高阶向量进行反卷积操作，以获取与所述第一向量具有相同维度的第二向量，并通过所述输出层输出所述第二向量。5.根据权利要求1所述的方法，其特征在于，所述根据所述第一向量和所述第二向量确定第一差值集合，包括：将所述第一向量和所述第二向量中同一维度的数值相减，以获取多个差值；对各所述差值取绝对值，并根据获取的多个差值绝对值确定所述第一差值集合。6.根据权利要求1或5所述的方法，其特征在于，所述对所述第一差值集合中的异常值进行检测，包括：判断所述第一差值集合中的各个差值绝对值是否包含于异常区间；当所述差值绝对值包含于所述异常区间时，判定所述差值绝对值为异常值。7.根据权利要求6所述的方法，其特征在于，所述异常区间是采用统计的方式对第二差值集合进行计算生成的，所述第二差值集合是根据第三向量和通过所述卷积堆叠自编码器对所述第三向量进行处理生成的第四向量所生成的，其中，所述第三向量是根据包含历史参数的第二时间序列生成的向量。8.根据权利要求7所述的方法，其特征在于，所述异常区间是采用3
‑
sigma准则对所述
第...
【专利技术属性】
技术研发人员：段博平，刘亮，钟辉强，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。