基于区块链与深度学习的制造业数据异常检测方法技术

本发明专利技术公开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

【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，及时和高效地检测异常数据
。
[0004]本专利技术的技术方案是：
[0005]根据本专利技术的一方面，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，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
。
[0006]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
。
[0007]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
)+
γ
L
D
(Z
λ
)
，其中，
L
R
(Z
λ
)
表示
sLSTM
‑
GAN
异常检测模型的残差损失，
L
D
(Z
λ
)
表示
sLSTM
‑
GAN
异常检测模型的判别损失，
γ
表示影响因子
。
[0008]根据本专利技术的另一方面，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；所述数据集成模块包括传感器
、
非关系型数据库，用于通过传感器采集不同工序的工艺数据，并将数据分类打包处理，缓存至非关系型数据库中；所述区块链模块，由合约单元
、
网络单元
、
数据单元和共识单元组成；其中，合约单元包括智能合约，智能合约内容采用脚本代码编写，用于制定工艺数据存储
、
传输
、
用户权限业务逻辑，部署在区块链模块中自动执行业务逻辑；网络单元由星际文件系统
IPFS
网络
、
区块链网络组成，
IPFS
网络依据上传的工艺数据内容来产生地址，提供分布式存储的数据地址模型，通过将
IPFS
网络和区块链网络结合；数据单元的非对称加密算法对数据进行加密和加盖时间戳形成链式结构的数据区块；所述共识单元包括共识机制和状态管理机制，由提前制定的共识机制来执行所述数据区块的归属，由状态管理机制更新各数据区块的状态；所述深度学习模块包括数据传输模块
、
数据存储模块
、
异常检测模块，数据传输模块用于深度学习模块与区块链模块之间的数据传输，数据存储模块用于存储区块链模块发送的数据；异常检测模块采用训练好的
sLSTM
‑
GAN
异常检测网络模型对数据存储模块中的工艺数据进行异常检测，输出异常检测结果反馈给用户客户端；所述管理客户端，用于用户进行具体业务需求操作
。
[0009]本专利技术的有益效果是：
[0010](1)
本专利技术采用区块链的智能合约机制作为数据存储传输的核心控制，智能合约的分布式
、
准确性和安全性，减少了工作人员操作互动环节，可以确保制造工艺数据所有的使用流程都透明可靠，防止中心化存储的数据泄露和系统瘫痪风险；
[0011](2)
本专利技术融合了深度学习算法作为数据异常检测的技术保障，利用训练出来的深度学习算法检测异常的制造工艺数据，可以自动学习数据的高级特征，显著地提升了数据异常检测的精准度；
[0012](3)
本专利技术基于区块链技术和
IPFS
网络作为数据分布式存储的底层支撑，不需要第三方数据中心，相比传统的数据存储方案本文档来自技高网...

【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：