一种基于生成模型的LSTM多变量时间序列异常检测方法技术

本发明专利技术公开了一种基于生成模型的LSTM多变量时间序列异常检测方法，涉及复杂设备的高维数据异常检测领域。本发明专利技术针对数据集不平衡或缺少数据标签的场景，提出DG

【技术实现步骤摘要】
一种基于生成模型的LSTM多变量时间序列异常检测方法
[0001]所属领域
[0002]本专利技术涉及系统可靠性领域，更具体的涉及复杂设备的高维数据异常检测领域。
现有技术
[0003]近年来，伴随着数字化革命向各个领域的加速渗透，设备迎来了数字化转型，通过不同种类的传感器对振动、电流、电压、温度、应力等设备信息进行数据采集和状态监测，由此产生了大量的多变量时间序列数据。并且随着物联网、人工智能、计算机等新一代信息技术的发展，设备数据的维数和容量还将会进一步增大。为了更全面的监测设备的工作状态，保障设备运行过程中的可靠性、安全性，降低因设备故障带来的经济损失，对设备数据进行准确、及时的多变量时间序列异常检测技术研究十分必要。然而，过去的设备异常检测技术多针对于单变量的时间序列异常检测，检测时仅考虑某一个特定指标对系统健康状态的影响，缺乏对多个指标的综合判断，使得检测结果产生误报的可能性增加，从而影响了检测结果的准确率。
[0004]在机器学习中，维度是指数据集中特征的数量，当数据集的特征数量过多时，会影响模型训练的有效性，从而带来维度灾难的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成模型的LSTM多变量时间序列异常检测方法，其特征在于，包括如下步骤：步骤1：数据预处理，包括如下子步骤：步骤1.1：数据标准化：采用两种方法对不同特征集进行标准化，当传感器数据随时间变化时，采用零
‑
均值规范化方法(即Z
‑
Score标准化)进行标准化操作，对于序列x1,x2,
…
,x
n
，标准化转换公式如下：此式中，和s分别为训练集变量的均值和标准差，由此得到标准化后新的序列数据y1,y2,
…
,y
n
。当传感器数据恒定不变时，我们采用下式进行标准化操作：步骤1.2：数据标签标定：对于每一个待测设备，规定运行周期中的正常采样数据作为正常数据进行训练；根据先前工作研究所得出的数据集阈值先验知识，将检测出的退化变点以后的数据标记为异常，以此进行算法评估。步骤1.3：数据集划分：将待测设备数据集按合适的比例进行划分，对应得到其训练集、验证集、测试集；步骤1.4：数据切片采用滑动窗口的方法对数据集进行切片处理，将某个点的检测转化为对点所在区间的检测；步骤2：DG
‑
MTAD算法实现异常检测步骤2.1：DG
‑
MTAD算法模型训练DG
‑
MTAD算法模型由编码器E、生成器G以及3个鉴别器D1，D2，D3组成，生成器G实现隐空间中的随机噪声Z向真实样本数据空间中生成样本G(Z)的映射；编码器E将真实样本X编码为隐空间的高效表示E(X)，从而实现不同空间下的双向学习过程。在模型训练阶段，首先将真实序列数据输入到编码器E中，同时将隐空间中的随机噪声数据输入到生成器G中，然后将编码器E与生成器G的输入、输出结果分别进行组合，一同输入到鉴别器D1中进行判断，此外，算法模型中还增加了鉴别器D2和鉴别器D3，以实现对生成器和编码器输出结果的进一步约束。其中鉴别器D2的输入是生成器G的输出和真实样本X，鉴别器D3的输入是编码器E的输出样本和隐空间的随机噪声。通过多轮的对抗训练最小化鉴别器的输入数据差异，最终在获得足够敏感的鉴别器模型参数的同时，使得编码器与生成器能够生成与目标输出尽可能相似的数据来“欺骗”鉴别器。DG
‑

【专利技术属性】
技术研发人员：陈绍炜，温鹏飞，赵帅，徐芳达，陈雨含，王诗音，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：