基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质技术

基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，解决模型的鲁棒性较差，容易收到外部干扰，从而导致检测结果的准确率下降；以及时序数据的频域特征没有被充分考虑，从而导致模型精度受限，分析结构不精准的问题。所述方法整体分为两个阶段：训练阶段和异常检测阶段。在训练阶段，需要利用历史采集到的数据训练模型，使得模型参数能够拟合对应的应用场景。在异常检测阶段中，在每个最新的真实数据产生的时候，模型需要重构出以最新的时间点为结尾的定长时间窗口长度的时序数据，来和原始的真实数据进行残差计算，根据真实数据与重构数据的残差大小来判断当前数据是否是异常数据。本发明专利技术适用于工业设备故障检测以及生产线运行状态检测和分析。检测以及生产线运行状态检测和分析。检测以及生产线运行状态检测和分析。

【技术实现步骤摘要】
基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法、设备及介质


[0001]本专利技术属于智能故障诊断
，具体涉及一种时序数据异常的检测方法。

技术介绍

[0002]时序数据异常检测是时序数据分析中最为成熟的一种方法。高效的异常检测技术被广泛应用于现实生活中的各个领域。在工业生产全面信息化的大背景下，工业设备上的传感器种类更加繁多，采样频率也更高，数据堆积的速度非常快。这在原本异常非常稀少的情况下更加大了异常检测的难度。面对监控数据庞大，指标更多的工业时序数据，传统的完全人工异常检测变得不切实际。现代工业异常检测已逐步向人工智能方向靠拢。比较传统的统计学和机器学习方法主要是使用历史数据建模，对输入数据进行降维检测，或者基于分类或聚类的方法进行检测。但是，复杂的工业生产过程中数据之间存在着直接或间接的关系。传统的机器学习模型难以从高维数据中提取目标之间的直接联系。深度学习技术的出现缓解了这一问题。然而，目前异常检测领域内的深度学习模型仍普遍存在两个问题：
[0003]1.模型的鲁棒性较差，且易受到噪声影响。当前时序数据异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，其特征在于，所述方法包括以下步骤：步骤1：获取原始数据集并进行预处理；步骤2：构建基于对抗训练和频域改良自注意力机制的异常检测模型；步骤3：对步骤2所述基于对抗训练和频域改良自注意力机制的异常检测模型进行训练；步骤4：将待检测的时序数据输入到经过步骤3训练后的模型中，进行异常判定。2.根据权利要求1所述的基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，其特征在于，所述步骤1包括以下步骤：步骤1.1：将所述原始数据集划分为训练集和测试集；步骤1.2：定义一个滑动窗口，滑动步长设定为1，根据所述原始数据集设定窗口大小；步骤1.3：将所述滑动窗口在所述原始数据集上滑动，将每次滑动窗口内的数据划分为一个定长的子序列；步骤1.4：将步骤1.3中划分得到的子序列保存在集合中，用于模型训练的输入。3.根据权利要求2所述的基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，其特征在于，所述滑动窗口为含有固定长度时间点的连续的时间序列数据。4.根据权利要求2所述的基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，其特征在于，所述滑动步长为所述滑动窗口在原始数据集上每一次移动的距离。5.根据权利要求2所述的方法，其特征在于，所述步骤2包括以下步骤：步骤2.1：构建位置编码层，计算输入子序列的位置编码信息，并将其附加到输入中；步骤2.2：构建编码器结构，编码器结构由基于小波分解和傅里叶变换的频域增强的自注意力模块，残差链接和归一化和全连接神经网络串联构成；步骤2.3：构建两个并行的解码器结构，解码器结构由基于小波分解和傅里叶变换的频域增强的自注意力模块，残差连接和归一化层，全连接层和Softmax层构成。6.根据权利要求3所述的方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：将经过步骤1处理的...

【专利技术属性】
技术研发人员：宋洪涛，张钊，韩启龙，刘鹏，
申请(专利权)人：哈尔滨龙明科技有限公司，
类型：发明
国别省市：