【技术实现步骤摘要】
基于混合深度神经网络的天然气管道异常检测方法和系统
[0001]本专利技术属于天然气输送管道安全检测
，尤其涉及一种基于混合深度神经网络的天然气管道异常检测方法和系统。
技术介绍
[0002]天然气能源采用长距离管道运输方式，该方式通过管道连接各地区，构成一个复杂、大型的管道运输网系统。管道运输具有成本低、安全性高、节约资源等特点，但并不意味的没有风险。当天然气管道控制系统的监视管理和控制权遭受网络渗透攻击时，可能导致天然气管道的可视性和控制权丧失，并可能在事故发生时对天然气管道和其附近的个人造成物理伤害，并且对环境产生不利影响。如何采用高效的异常检测方法确保最佳的天然气管道控制系统安全，已成为目前工业控制系统异常检测中所面临的一个重要问题。
[0003]入侵检测系统(IDS)和异常检测系统有助于检测工业控制系统网络中的入侵或异常事件，在保护数据采集与监视控制系统信息安全上发挥了重要的作用，但是入侵检测系统需要与其他安全机制结合使用，如：防火墙、漏洞扫描器、安全策略验证器等。天然气管道控制系统包括人机交互界面、...
【技术保护点】
【技术特征摘要】
1.一种基于混合深度神经网络的天然气管道异常检测方法，其特征在于，包括：归一化天然气管道的特征数据，得到输入特征值；根据输入特征值构建栈式稀疏去噪自编码器深度神经网络模型作为第一混合深度神经网络；根据输入特征值构建代价函数，以代价函数进行第一混合深度神经网络的无监督特征学习，得到第二混合深度神经网络；添加监督分类器至第二混合深度神经网络，得到第三混合深度神经网络；将输入特征值输入至第三混合深度神经网络，得到输出特征值；根据标签的值定义输出特征值；其中，输出特征值中属于标签值为0的数据为正常数据，属于标签值为r的数据被定义为异常数据，r为大于0的整数；利用监督分类器计算输出特征值的最大概率值；训练第三混合深度神经网络，以缩小输出特征值的最大概率值与标签的差值。2.根据权利要求1所述的天然气管道异常检测方法，其特征在于，所述根据输入特征值构建栈式稀疏去噪自编码器深度神经网络模型作为第一混合深度神经网络，包括：将输入特征值作为第一个稀疏去噪自编码器的输入，并丢弃第一个稀疏去噪自编码器的解码器；其中，第一个稀疏去噪自编码器的隐藏层包括多个第一混合深度神经网络的神经元，所述神经元表示正常数据或异常数据的所属类别；将第一个稀疏去噪自编码器的隐藏层作为第二个稀疏去噪自编码器的输入，并丢弃第二个稀疏去噪自编码器的解码器；直至将第d
‑
1个稀疏去噪自编码器的隐藏层作为第d个稀疏去噪自编码器的输入，并丢弃第d个稀疏去噪自编码器的解码器；其中，d为大于2的常数；采用稀疏参数将每个稀疏去噪自编码器的隐藏层神经元数量设置为大于每个稀疏去噪自编码器的输入层神经元数量，得到第一混合深度神经网络。3.根据权利要求1所述的天然气管道异常检测方法，其特征在于，所述根据输入特征值构建最终代价函数，以最终代价函数进行第一混合深度神经网络的无监督特征学习，得到第二混合深度神经网络，包括：构建最终代价函数的表达式为：其中，j
sparsity
(θ)为加入稀疏变量后的最终代价函数；θ为稀疏去噪自编码器的参数变量；m为用于训练第一混合深度神经网络的输入特征值数量；H
w
为第一混合深度神经网络中连接输入到隐藏层的权重，权重为天然气管道的可编程逻辑控制器死区数量；c为第一混合深度神经网络隐藏层的偏差向量，偏差向量为天然气管道的可编程逻辑控制器循环时间；x
i
为训练稀疏去噪自编码器的第i个输入值；y
i
为训练稀疏去噪自编码器的第i个输出值；表示标签；β为控制稀疏性惩罚因子的权重；k为隐藏层的神经元数量；ρ为稀疏参数，为隐藏层中输入特征值的稀疏表示；为所有无监督特征学习样本上隐藏层的第q个神经元的平均激活值。4.根据权利要求1所述的天然气管道异常检测方法，其特征在于，所述添加监督分类器
至第二混合深度神经网络，得到第三混合深度神经网络，包括：将Softmax函数层作为监督分类器，并作为第二混合深度神经网络的输出层激活函数，得到第三混合深度神经网络。5.根据权利要求4所述的天然气管道异常检测方法，其特征在于，所述利用监督分类器计算输出特征值的最大概率值，包括：根据以下公式计算输出特征值的概率：其中，p为输入特征值f中第g类的预测概率，即输出特...
【专利技术属性】
技术研发人员：邱鹏，刘汉忠，黄陈蓉，黄晓华，
申请(专利权)人：南京工程学院，
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。