一种基于迭代式深度时序因果发现的故障检测方法技术

本发明专利技术公开了一种基于深度时序因果发现的故障检测方法，包括获取异常性能指标和潜在原因指标的观测值及其配对时间戳；对观测值和时间戳进行结构化，形成均匀的时间序列；构建迭代式深度时序因果发现网络，因果发现模块依据预先设置的因果阈值对概率因果图进行采样和优化，时序拟合模块对时间序列的生成模型进行拟合；采用多个因果阈值，利用结构化时间序列对迭代式深度时序因果发现网络进行训练，训练时采用掩码损失函数；根据多个因果阈值的训练结果，对故障原因进行归因

【技术实现步骤摘要】
一种基于迭代式深度时序因果发现的故障检测方法


[0001]本专利技术属于智能系统故障预测
，具体涉及一种基于迭代式深度时序因果发现的故障检测方法
。

技术介绍

[0002]故障诊断技术对于智能工厂
、
航空航天
、
能源管理等领域至关重要，可预防故障
、
减少安全隐患
。
而神经网络在故障检测领域已经得到广泛利用，例如基于卷积神经网络的故障检测方法
、
基于自动编码器的故障检测方法
、
基于图的故障检测方法
。
其中，基于图的方法可处理空间结构化数据，挖掘节点和边的信息，在图像和视频分类中取得突破，也被应用于故障检测
。
基于图的故障检测方法常基于特定领域知识构建图，或者利用已知的节点联系构建图，然而仅靠专家经验或者已知信息难以充分挖掘复杂系统中潜在的因果关系，限制了性能和可迁移性，降低了应用价值
。
因果发现可挖掘监测变量间的复杂因果机理，构建可靠的图模型，提升故障检测性能
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于迭代式深度时序因果发现的故障检测方法，其特征在于：包括以下步骤：
S1
：获取故障性能指标和潜在原因指标的观测值及其配对时间戳；
S2
：对步骤
S1
中得到的观测值和时间戳进行时间序列结构化，使两者形成均匀的时间序列，缺失数据用缺失指示位表示；
S3
：构建迭代式深度时序因果发现神经网络，该网络包括因果发现模块和时序拟合模块，在训练过程中交替学习时序模型和概率因果图；
S4
：采用多个因果阈值，利用步骤
S2
中的结构化时间序列对步骤
S3
中构建的迭代式深度时序因果发现网络进行训练，训练时采用掩码损失函数，从而排除掉被标记为缺失的数据；
S5
：根据多个因果阈值的训练结果，对故障原因进行归因
。2.
根据权利要求1所述的一种基于迭代式深度时序因果发现的故障检测方法，其特征在于：在步骤
S2
中，所述对故障性能指标和潜在原因指标的观测值进行时间序列结构化的步骤为：对需要检测的时间范围内均匀划分出多个采样点，将观测到的指标逐一填充到时间最接近的采样点，得到数据矩阵，所述指标同时包括故障性能指标和潜在原因指标；构建相同形状的缺失指示矩阵，每个缺失指示位代表数据矩阵相应位置是否缺失；将数据矩阵和缺失指示矩阵进行拼接，得到三维数据张量
。3.
根据权利要求2所述的一种基于迭代式深度时序因果发现的故障检测方法，其特征在于：在步骤
S3
中，所述因果发现模块根据当前步骤学习到的时序拟合模块对概率因果图进行优化，所述优化的过程为：设置概率因果图
M
＝
σ
(
θ
)
表示一个邻接矩阵，
σ
代表
s
型函数，用来将参数归一化到0‑1范围；用概率因果图的每一个元素表示某一潜在原因性能指标对异常性能指标有因果影响的概率；概率因果图
M
经过下式的可微采样器采样后得到掩码因果图
S
：其中
g
＝
‑
log(
‑
log(u))
，
u
～
Uniform(0
，
1)
，
Uniform
表示均匀分布，
τ
是一个预先...

【专利技术属性】
技术研发人员：张国庆，
申请(专利权)人：中工互联北京科技集团有限公司，
类型：发明
国别省市：