一种基于深度学习的报警泛滥情况下的报警在线预测方法技术

本发明专利技术提供了一种基于深度学习的报警泛滥情况下的报警在线预测方法，对采集得到的报警日志数据进行预处理，根据报警率提取报警泛滥片段，通过迭代切片，捕捉前后报警之间预测的映射关系，并编码，获得带有标签的数据集，对模型进行训练，得到训练好后的模型；在线预测阶段首先识别并采集当前的报警泛滥序列，判断是否有新的报警，若是，更新报警泛滥序列立即预测，若否，则等待若干时间从而周期性预测；预测时根据滑动窗口选择机制，输入报警序列到训练好的预测模型，得到报警候选集及概率分布，通过循环操作直至报警泛滥结束，实现报警动态预测。本发明专利技术的有益效果是：计算速度快，模型建立时间短，可以满足实际工业监测及诊断的实时性需求。性需求。性需求。

【技术实现步骤摘要】
一种基于深度学习的报警泛滥情况下的报警在线预测方法


[0001]本专利技术涉及工业过程报警泛滥分析领域，尤其涉及一种基于深度学习的报警泛滥情况下的报警在线预测方法。

技术介绍

[0002]在现代工业过程中，报警系统通过监测实时数据并发现异常，提醒操作人员及时采取措施以防止事态进一步恶化，其对于保障工业运行的安全性的重要性不言而喻。随着现代工业引入分布式控制系统，虽然报警设置变得十分方便和廉价，由于报警点和阈值的设置需要依靠丰富的报警管理的知识，因此现有的报警系统普遍存在设计不合理且低效的问题，这就会导致大量无效的报警，引发报警泛滥。
[0003]报警泛滥是指报警系统在短时间内产生了大量报警，以至于操作人员无法根据报警提示及时排除故障的情况。根据ISA
‑
18.2标准，当10分钟内出现报警次数首次超过10次时，视为这段报警泛滥的开始，当10分钟内报警次数首次低于5次时，视为报警泛滥的结束，同时建议报警泛滥的出现时间不能超过总运营时间的1％。报警泛滥严重制约了生产过程的安全性，如果不能得到及时处理，就有可能引发工业事故，导致人员伤亡和经济损失。因此，针对报警泛滥的分析研究成为学术界和工业界共同关注的问题。
[0004]当一段报警泛滥正在发生时，如果能够根据当前发生的报警序列预测出接下来可能发生的报警，就能为操作人员提供有效的决策帮助。但由于目前针对工业过程中的报警泛滥研究还比较少，存在着诸如以下的问题：1)现有报警预测的研究大都基于报警泛滥的序列比对方法，即将历史报警数据与正在发生的报警泛滥进行相似性比对并按相似性分数高的报警序列进行预测，但是这种序列两两对比的方法因为其较高的时间复杂度，难以保障报警预测的实时性，另一方面由于在线报警泛滥序列是动态更新的数据流，报警序列比对在计算过程中无法适应这种实时的变化，对于预测结果的准确度有较大的影响；2)由于工业过程本身的复杂特性，报警的传播扩散途径一般比较复杂多变，由实际报警数据来看，即使是相同的报警序列起始，也可能导致不同的后续报警，因此对于报警预测显然是给出一组可能候选的结果比较合适，然而现有的大多数研究仅仅给出一个最可能的报警，并基于该报警预测出接下来的报警，当该报警出错时就可能会导致后续的报警都出错，从而影响操作人员的判断。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种基于深度学习的报警泛滥情况下的报警在线预测方法，面向工业过程仿真软件采集的报警日志数据，经过数据预处理提取其中发生报警泛滥的片段，生成报警泛滥序列库；通过对报警泛滥序列进行迭代切片，从而更好地捕捉前后报警之间预测的映射关系，并利用补全的手段从而将序列长度不同的报警泛滥保持统一的维度，从而获得带有标签的数据集；最后采用长短期记忆网络(Long Short Term Memory,LSTM)进行特征提取，通过训练，得到报警预测模型。
[0006]针对序列比对算法时间复杂度过高导致预测报警泛滥的实时性要求高的问题。本专利技术以训练完成的神经网络作为报警预测模型，在此基础上设计了一种基于滑动窗口的报警序列实时更新策略，即每次新出现报警或者若干时间内未出现新的报警时，滑动窗口自动捕捉该段报警序列，并基于这段报警序列进行实时预测。由于已经在离线过程完成了网络结构的训练，且滑动窗口移动计算速度快，模型建立时间短，可以满足实际工业实时监测及诊断的实时性需求。
[0007]所提方法的具体步骤如下：
[0008]1)得到报警泛滥序列库；
[0009]通过触发故障生成报警事件日志，借助工业仿真软件获取一定时间段内的历史报警事件日志并进行预处理，提取其中的报警泛滥片段序列，将报警率与国际自动化学会标准(ISA，International Institute ofAutomation)标准对比得到报警泛滥序列；
[0010]报警事件日志预处理步骤具体如下：
[0011]a)规范报警事件信息的数据格式，主要包括：1.合并报警类型与报警变量并映射为实数作为报警标签；2.删除报警描述、报警所属单元等冗余属性进行维规约；3.设置时间步长将时间戳接近的若干报警视为同时发生；
[0012]b)通过设置延时器、滤波器、死区等技术去除及报警日志中的冗余报警，以避免其对真实报警泛滥片段识别的干扰，并根据ISA
‑
18.2标准和报警事件的时间戳信息提取出真实报警泛滥的片段。
[0013]最终，得到的工业报警序列库可以表示为：F＝{F1,F2,
…
,F
n
}，对于其中的任意一条报警泛滥序列F
i
,i∈[1,n]，由若干个有先后顺序的报警组成，即F
i
＝[a
i1
，a
i2
，
…
，a
im
，1≤m≤M]。其中，a
m
表示报警泛滥序列F中第m个报警，M表示报警泛滥序列的长度。
[0014]2)报警序列的切片及编码；
[0015]通过对报警泛滥序列进行迭代切片，基于长短时神经网络捕捉前后报警之间预测的映射关系，并编码，将序列长度不同的报警泛滥保持统一的维度，获得带有标签的数据集，将该带有标签的数据集分为训练集和测试集，建立报警预测模型并对其进行训练，得到训练好后的报警预测模型，真实的报警泛滥序列中的前后报警分别作为报警预测模型的输入与输出；对所述历史报警事件日志转化为报警预测模型训练数据集以及测试数据集的报警事件数据结构化编码的具体步骤如下：
[0016]对于有M个报警的一条报警泛滥序列F＝[a1，a2，
…
，a
M
]，从i＝2开始，以a
i
作为报警预测的输出标签，报警泛滥序列前i
‑
1个报警组成的切片S
i
＝[a1，a2，
…
，a
(i
‑
1)
]作为报警预测的输入；将上述切片过程迭代M
‑
1次可以获得报警泛滥序列F的预测切片成{S1,S2,
…
,S
(M
‑
1)
}。
[0017]对于报警泛滥数据库F的每一条报警泛滥序列都做上述处理，得到了报警预测模型中输入与输出的对应关系，设F中报警序列最长的长度为L
max
，则对报警预测的输入的切片补零以使所有的切片长度对齐，对于报警输出的标签则采用独热编码，编码长度参数选择为报警变量的种类标签数。
[0018]通过上述操作，得到了用于报警预测模型的训练与测试数据，报警输入为维度相同的向量，标签为独热编码后的向量。
[0019]3)离线建模阶段；
[0020]1)在神经网络前添加嵌入层作为报警预测模型的第一层，作为词向量的处理方法，从而将独热编码的稀疏特征转化为稠密特征以向量的形式输出，并设置好嵌入的向量维度。
[0021]2)报警预测模型第二层结构选择双向长短时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的报警泛滥情况下的报警在线预测方法，其特征在于：包括：离线训练部分：通过触发故障生成报警事件日志，采集得到报警日志数据，对报警日志数据进行预处理，将报警率与ISA标准对比得到报警泛滥序列，通过对报警泛滥序列进行迭代切片，基于长短时神经网络捕捉前后报警之间预测的映射关系，并编码，将序列长度不同的报警泛滥保持统一的维度，获得带有标签的数据集，将该带有标签的数据集分为训练集和测试集，建立的报警预测模型并对其进行训练，得到训练好后的报警预测模型，真实的报警泛滥序列中的前后报警分别作为报警预测模型的输入与输出；在线报警预测部分：当实时报警率超过报警泛滥阈值即发生了报警泛滥，通过采集该段时间内的报警事件数据，获取报警泛滥序列，并实时检测是否有新的报警，若是，则更新报警泛滥序列并立即预测，若否，则等待若干时间进行周期性预测；预测时根据滑动窗口选择机制，输入报警泛滥序列到训练好后的报警预测模型，得到报警候选集及概率分布，将最大概率对应的报警添加到更新的报警序列中，通过循环操作直至实时报警率低于报警泛滥阈值，以实现对报警的动态预测。2.如权利要求1所述的一种基于深度学习的报警泛滥情况下的报警在线预测方法，其特征在于：对报警数据进行预处理的过程如下：a)规范报警事件信息的数据格式；b)通过设置延时器、滤波器、死区，去除及报警日志中的冗余报警，以避免其对真实报警泛滥片段识别的干扰，并根据ISA
‑
18.2标准和报警事件的时间戳信息提取出真实报警泛滥的片段。3.如权利要求2所述的一种基于深度学习的报警泛滥情况下的报警在线预测方法，其特征在于：规范报警事件信息的数据格式的过程如下：(1)合并报警类型与报警变量并映射为实数作为报警标签；(2)删除报警描述、报警所属单元等冗余属性进行维规约；(3)设置时间步长将时间戳接近的若干报警视为同时发生。4.如权利要求1所述的一种基于深度学习的报警泛滥情况下的报警在线预测方法，其特征在于：报警序列的切片及编码过程如下：搭建报警预测模型的结构化编码，将...

【专利技术属性】
技术研发人员：胡文凯，王壮，蒋文斌，曹卫华，吴敏，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：