【技术实现步骤摘要】
基于区块链与深度学习的制造业数据异常检测方法、系统
[0001]本专利技术涉及一种基于区块链与深度学习的制造业数据异常检测方法
、
系统,属于数据检测
。
技术介绍
[0002]制造业已成为国家数字化转型发展的主要阵地,也是数字经济发展的前沿区,随之而来的工业数据安全越来越成为工业转型升级的重中之重,但目前企业对数据的中心化存储和利用导致安全隐患蔓延
。
同时,随着工业互联网与生产制造的不断融合,使得工艺参数数据在研发
、
生产制造
、
物流等环节之间互通互联
。
这就加剧了工艺参数等时序数据的安全存储
、
异常检测等难度
。
区块链技术提供了去中心化
、
不可篡改和公开透明的特性,将区块链技术和深度学习算法融合,用于制造业数据安全管理,有效保证了工艺数据信息的安全性和完整性
。
但针对存在异常值的工艺参数,目前大多基于人工经验方法进行监测和判断,当存储的数据量较大且为不平衡数据时,很难及时和高效地监测到异常数据,还缺少对制造业数据安全和异常检测技术的研究和深入
。
技术实现思路
[0003]本专利技术提供了一种基于区块链与深度学习的制造业数据异常检测方法
、
系统,构建了基于区块链与深度学习的制造业数据异常检测的人机交互平台,解决了目前制造业数据中心化存储带来的安全问题,并能够融合深度学习异常检测算法,及时和高效地检测 ...
【技术保护点】
【技术特征摘要】
1.
一种基于区块链与深度学习的制造业数据异常检测方法,其特征在于,所述方法用于基于区块链与深度学习的制造业数据异常检测系统,所述基于区块链与深度学习的制造业数据异常检测系统包括数据集成模块
、
区块链模块
、
深度学习模块
、
管理客户端;所述方法步骤如下:步骤1:数据集成模块的多个传感器,对制造业不同工序进行工艺数据的实时采集,传感器将采集的工艺数据文件缓存到本地的非关系型数据库中;步骤2:用户通过登录管理客户端,将非关系型数据库中待存储的工艺数据上传至区块链模块;区块链模块中数据单元的非对称加密算法对接收的数据进行加密和加盖时间戳形成链式结构的数据区块,数据区块存储到网络单元的
IPFS
网络,通过合约单元和共识单元将
IPFS
网络返回的数据地址上链到网络单元的区块链网络中;步骤3:深度学习模块依据数据地址向区块链模块发出数据请求,区块链模块接收到数据地址后,区块链模块使用公钥对数据地址对应的工艺数据进行签名发送给深度学习模块,深度学习模块使用私钥对数据进行验证,如果验证通过,则返回解密的数据地址对应的工艺数据,否则返回数据请求失败结果;在验证通过的情况下,深度学习模块调用训练好的
sLSTM
‑
GAN
异常检测网络模型对经过验证的工艺数据进行异常检测,输出异常检测结果反馈给客户端
。2.
根据权利要求1所述的基于区块链与深度学习的制造业数据异常检测方法,其特征在于,所述
sLSTM
‑
GAN
异常检测网络模型主要包括
GAN
生成器和
GAN
判别器,
GAN
生成器包括3层
LSTM
网络构成的堆栈式
GAN
生成器;
GAN
判别器采用1层
LSTM
网络
。3.
根据权利要求2所述的基于区块链与深度学习的制造业数据异常检测方法,其特征在于,所述
sLSTM
‑
GAN
异常检测网络模型中采用的损失函数为:
L(Z
λ
)
=
(1
‑
γ
)L
R
(Z
λ<...
【专利技术属性】
技术研发人员:袁智慧,刘孝保,孙海彬,李佳炜,严清秀,
申请(专利权)人:昆明理工大学,
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。