用于检测传感器异常的方法和系统技术方案

用于检测传感器异常的方法和系统。为了检测传感器异常，机器学习模型将工业系统中的材料流建模为分层时间序列，分层时间序列使用具有一组节点和一组边的有向非循环图来表示材料流的结构，其中每个节点与时间序列相关联，并且边表示父子关系，父节点处的时间序列的每个值等于其子节点的相应值的总和。机器学习模型预报所有节点的预测时间序列值。将从放置在工业系统中的传感器接收的电流传感器测量与机器学习模型的预测进行比较。如果差异超过阈值，则检测到异常。所描述的实施例通过以关系约束的形式并入关于系统结构的附加领域知识，改进传感器异常检测的性能，减少涉及材料流的问题中异常检测的预测误差，降低与错误或遗漏异常相关联的成本。异常相关联的成本。异常相关联的成本。

【技术实现步骤摘要】
用于检测传感器异常的方法和系统

技术介绍

[0001]为了可靠地操作诸如自动化工厂、车间或电网之类的复杂系统，操作者重度依赖传感器读数来了解系统是否正在正确操作。不正确操作的出现可能是由于系统中的故障或传感器中未能报告准确值的故障造成的。开发一种机器学习算法来自动检测不合期望的操作行为通常是困难的，因为很少见获得这项任务的标记数据。为此，用于检测不合期望的操作行为的算法通常将问题公式化为异常检测。虽然这种方法是方便的，因为它不需要标记数据，但是用户通常发现，即使当系统实际上表现正常时，所得到的算法也经常指示异常存在(即，高的假肯定率)。
[0002]在现有技术中，来自传感器的历史数据用于建立系统行为的“正常”模型。通常使用简单的参数模型，如高斯分布。基于历史数据，学习均值和方差。任何明显偏离(超过3个标准偏差)的传感器观测都被标注为异常。

技术实现思路

[0003]本专利技术的目的是提供一种用于检测传感器异常的方法和系统，该方法和系统提供了对现有技术的替代方案。
[0004]本专利技术的目的由独立权利要求解决。在相应的从属权利要求中阐述了本专利技术的进一步有利的布置和实施例。
[0005]根据用于检测传感器异常的方法，以下操作由组件执行，其中组件是由一个或多个处理器和/或硬件组件执行的软件组件：
[0006]‑
通过机器学习模型预报所有节点的预测时间序列值
[0007]其中所述机器学习模型将工业系统中、特别是生产线中的材料流建模为分层时间序列，其中所述分层时间序列使用具有一组节点和一组边的有向非循环图来表示材料流的结构，其中每个节点与一时间序列相关联，并且其中所述边表示父子关系，其中父节点处的时间序列的每个值等于其子节点的相应值的总和，
[0008]‑
从放置在工业系统中的传感器接收电流传感器测量，
[0009]‑
从当前传感器测量中提取至少一些或所有节点的观测时间序列值，
[0010]‑
计算预测的时间序列值和观测的时间序列值之间的差异，以及
[0011]‑
如果所述差异超过阈值，则检测到异常。
[0012]用于检测传感器异常的系统包括：
[0013]‑
机器学习模型，其中所述机器学习模型将工业系统中、特别是生产线中的材料流建模为分层时间序列，其中所述分层时间序列使用具有一组节点和一组边的有向非循环图来表示材料流的结构，其中每个节点与一时间序列相关联，并且其中所述边表示父子关系，其中父节点处的时间序列的每个值等于其子节点的相应值的总和，并且
[0014]其中所述机器学习模型被训练用于预报所有节点的预测时间序列值，
[0015]‑
接口，被配置用于从放置在工业系统中的传感器接收电流传感器测量，以及
[0016]‑
一个或多个处理器，被配置用于
[0017]‑
从当前传感器测量中提取至少一些或所有节点的观测时间序列值，
[0018]‑
计算预测的时间序列值和观测的时间序列值之间的差异，以及
[0019]‑
如果所述差异超过阈值，则检测到异常。
[0020]以下优点和解释不一定是独立权利要求的目的的结果。相反，它们可能是仅适用于某些实施例或变型的优点和解释。
[0021]关于本专利技术，除非在说明书中另有声明，否则术语“训练”、“生成”、“计算机辅助”、“计算”、“确定”、“推理”、“再训练”等优选地涉及改变和/或生成数据和/或将数据转换成其他数据的动作和/或过程和/或处理步骤，该数据特别是或者能够表示为物理量，例如电脉冲。
[0022]术语“计算机”应当尽可能广义地解释，特别是涵盖所有具有数据处理特性的电子设备。因此，计算机可以是例如个人计算机、服务器、客户端、可编程逻辑控制器(PLC)、手持计算机系统、掌上PC设备、移动无线电设备、智能电话、设备或任何其他能够在计算机支持下处理数据的通信设备、处理器和用于数据处理的其他电子设备。计算机特别可以包括一个或多个处理器和存储器单元。
[0023]结合本专利技术，“存储器”、“存储器单元”或“存储器模块”等可以意指例如以随机存取存储器(RAM)形式的易失性存储器或诸如硬盘或磁盘的永久存储器。
[0024]该方法和系统或者至少它们的一些实施例通过以关系约束的形式并入关于系统结构的附加领域知识，改进传感器异常检测的性能。
[0025]该方法和系统或者至少它们的一些实施例减少涉及材料流的问题中异常检测的预测误差(更低的假肯定率)。
[0026]该方法和系统或者至少它们的一些实施例通过利用领域知识提供增加的训练效率。
[0027]该方法和系统或者至少它们的一些实施例需要更少的数据来实现高性能的模型。
[0028]该方法和系统或者至少它们的一些实施例有助于保证模型预测符合物理定律(满足聚合约束)。
[0029]该方法和系统或者至少它们的一些实施例增加采用基于AI的算法的可信度和易用性。
[0030]该方法和系统或者至少它们的一些实施例降低与错误或遗漏异常相关联的成本。
[0031]在该方法和系统的实施例中，提取操作由正在处理传感器测量的材料流跟踪系统执行。
[0032]在该方法和系统的实施例中，当执行预报操作时，机器学习处理先前的传感器测量。
[0033]该方法的实施例包括在检测到异常之后自动停止工业系统的至少一部分的附加操作。
[0034]该方法的实施例包括在检测到异常之后通过用户接口向操作者输出警报的附加操作。
[0035]在该方法和系统的实施例中，机器学习模型已经通过基于梯度的协调传播算法进行了初始训练，以便学习投影矩阵的可训练参数，其中投影矩阵用于将基础预报(base forecast)投影到分层一致解空间中的一致预报，并且其中一致预报包含预测的时间序列
值。
[0036]在该方法和系统的实施例中，基于梯度的协调传播算法通过由第二矩阵掩蔽投影矩阵的实体，从而约束投影矩阵的效果，来确保预报之间的信息传播被限制到通过祖先和后代关系连接的节点。
[0037]该计算机程序产品具有用于实行该方法的程序指令。
[0038]用于计算机程序产品的供应设备存储和/或提供计算机程序产品。
附图说明
[0039]当结合附图阅读时，从下面的详细描述中最好地理解本专利技术的前述和其他方面。为了说明本专利技术的目的，在附图中示出了目前优选的实施例，然而，应理解，本专利技术不限于所公开的具体手段。实施例可以彼此组合。此外，实施例可以与上述任何特征相组合。除非另有声明，否则附图之间相同的附图标记标示相同的特征或功能相同的元件。附图中包括以下各图：
[0040]图1示出了第一实施例，
[0041]图2示出了另一个实施例，
[0042]图3示出了表示工业系统中的材料流的树，
[0043]图4示出了训练算法，以及
[0044]图5示出了用于检测传感器异常的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测传感器异常的计算机实现的方法，包括以下操作，其中操作由组件执行，并且其中所述组件是由一个或多个处理器和/或硬件组件执行的软件组件：
‑
通过机器学习模型预报(OP1)所有节点的预测时间序列值，其中所述机器学习模型将工业系统中、特别是生产线中的材料流建模为分层时间序列，其中所述分层时间序列使用具有一组节点和一组边的有向非循环图来表示材料流的结构，其中每个节点与一时间序列相关联，并且其中所述边表示父子关系，其中父节点处的时间序列的每个值等于其子节点的相应值的总和，
‑
从放置在工业系统中的传感器接收(OP2)电流传感器测量，
‑
从当前传感器测量中提取(OP3)至少一些或所有节点的观测时间序列值，
‑
计算(OP4)预测的时间序列值和观测的时间序列值之间的差异，以及
‑
如果所述差异超过阈值，则检测(OP5)到异常。2.根据权利要求1所述的方法，
‑
其中提取操作(OP3)由正在处理传感器测量的材料流跟踪系统执行。3.根据权利要求1或2所述的方法，
‑
其中机器学习在执行预报操作(OP1)时处理先前的传感器测量。4.根据前述权利要求中任一项所述的方法，
‑
具有在检测到异常之后自动停止工业系统的至少一部分的附加操作。5.根据前述权利要求中任一项所述的方法，
‑
具有在检测到异常之后通过用户接口向操作者输出警报的附加操作。6.根据前述权利要求中任一项所述的方法，
‑
其中所述机器...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：