【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及工业系统的故障或异常检测。
技术介绍
1、现代工业系统复杂性和集成化程度日益升高，同时面临着任务和运行环境动态多样性的挑战，由此带来的可靠性、安全性问题也日趋突出。与此同时，随着低成本传感与通信技术的发展，现代工业系统通常安装有各种故障、异常的监督检测系统，在线监测记录系统的状态、性能、运行环境及载荷等参数。
2、现有的故障、异常的监督检测系统，通常可以分为以下两种：
3、1.利用传感器采集系统正常运行状态和异常运行状态下的数据，并通过分析建模工具分别建立正常和异常状态的数学模型，寻找正常运行状态和异常运行状态的数据的分类边界完成对异常的检测。常用的分析建模工具，如svm(支持向量机)、rf(随机森林算法)、深度学习等；
4、2.利用传感器采集系统正常运行状态下的数据，并通过分析建模工具建立正常状态的数学模型，寻找正常运行状态的数据的边界或捕获正常运行状态相对于异常运行状态具有区分度的特征完成对异常的检测。常用的分析建模工具，如pca(主成分分析技术)、one-class svm(单类支持向量机)、深度学习等方法。
5、相比于普通的需要进行异常检测的系统来说，工业系统具有以下特点：首先，工业系统通常具有庞大和复杂的组成，传感器采集得到的数据往往都是大量非线性数据；其次，随着传感器技术的进步使得数据收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，需要分析处理的数据维度也越来越高；再次，工业领域采集的数据还具有时序相关性较强的特点，所谓时序相
6、将现有的故障、异常的监督检测系统，应用于具有上述特征的工业系统时，出现了以下问题：
7、1.现有技术的异常检测模型对非线性数据的特征提取能力弱，进而降低了对工业系统中非线性数据进行异常检测的准确率；
8、2.现有技术的异常检测模型对时序性强的数据的特征捕捉能力不足，进而降低了对工业系统中强时序性数据进行异常检测的准确率；
9、3.现有技术的异常检测模型对高维度数据的分析能力弱，进而降低了对工业系统进行异常检测的效率；
10、4.现有技术的异常检测模型在确定异常检测阈值时，需要将数据的初始分布作为参数用以确定阈值，但又无法明确判断数据的初始分布，常用的技术手段是将数据的初始分布近似地认定为高斯分布，这样建立的模型就带有一定的误差，进而降低了对工业系统进行异常检测的准确率；
11、5.现有技术的异常检测模型在确定异常检测阈值时，需要手动设置一些参数，这些参数的设置依赖于个人经验，不同的初始参数会导致建立的数据模型的不同，从而得到的异常检测的结果也不同，进而导致对工业系统进行异常检测的准确率依赖于人工检验、不同人检测的结果一致性差；
12、6.现有技术的异常检测模型确定异常检测阈值的常用方法是采用3σ方法或者极值理论方法，这两种方法确定的阈值都是固定阈值，不能根据环境参数的变化动态地调整阈值，导致对工业系统进行异常检测的环境适应性差，进而导致在不同工作环境下对工业系统进行异常检测准确率低。
13、7.现有技术中的异常检测方法或异常检测系统，采用现有技术的异常检测模型，针对工业系统运行异常的检测，数据提取分析能力差导致检测结果准确率低，异常检测阈值参数设置依赖人工经验导致检测结果的准确性和一致性差，异常检测阈值不能自适应调整导致检测方法或系统对不同工作环境的适应性差。
技术实现思路
1、本专利技术的目的在于提出异常检测模型的构建方法、异常检测方法及异常检测系统，以解决现有技术所存在的上述技术问题：
2、本专利技术的上述技术问题主要是通过下述技术方案得以解决的：
3、本专利技术所述的一种异常检测模型的构建方法，其技术方案如下：
4、所述一种异常检测模型的构建方法，包括：
5、s1、在待测工业系统无异常的稳定运行工况下，采集所述待测工业系统多个状态参数的数据作为原始训练时序数据样本，所述原始训练时序数据样本的集合即为工业系统无异常状态下的原始训练时序数据集；
6、s2、对所述原始训练时序数据样本进行数据预处理，得到训练数据样本，所述训练数据样本的集合即为工业系统无异常状态下的训练数据集；
7、s3、利用lstm深度模型所具有的长时间序列建模能力，并依据自编码器原理构建初步lstm-ae模型；
8、s4、利用所述训练数据集对所述初步lstm-ae模型进行重构训练，优化所述初步lstm-ae模型的网络权重值，得到训练后的lstm-ae模型以及训练数据样本的误差序列；
9、s5、利用所述训练数据集的误差序列，获得待测工业系统的自适应阈值公式，公式中包含一个训练数据重构误差参数，通过赋予训练数据重构误差参数一个数值，可以获得自适应阈值的值，自适应阈值的值用于异常值的判断，完成异常检测模型的构建。
10、进一步的，提供一个优选实施方式，所述步骤s1中：
11、所述原始训练时序数据样本，表示为：
12、
13、所述原始训练时序数据集，表示为：
14、x＝{x(1)，x(2)，....，x(i)，....，x(n)}
15、其中，
16、i∈[1，n]，j∈[1，m]
17、式中，n表示采集了n个时间点的原始训练时序数据样本，m表示原始训练时序数据样本由m个维度的特征组成，表示第i个时间点采集的原始训练时序数据样本的第j个维度的数据。
18、进一步的，提供一个优选实施方式，所述步骤s2，具体如下：
19、s2.1、对采集的原始训练时序数据样本中的每一个维度的数据进行标椎化处理，用公式表示为：
20、
21、标准化后的原始训练时序数据样本，表示为：
22、
23、标准化后的原始训练时序数据集，表示为：
24、x*＝{x(*1)，x(*2)，....，x(*i)，...，x(*n)}
25、其中，
26、j∈[1，m]
27、式中，表示标准化后的第i时间点采集的原始训练时序数据样本的第j个维度的数据，u(xj)表示n个原始训练时序数据样本在第j个维度上的均值，σ(xj)表示n个原始训练时序数据样本在第j个维度上的方差；
28、s2.2、对标准化后的原始训练时序数据样本进行等时间间隔提取，得到训练数据样本，具体过程如下：
29、设i为提取间隔，l为提取长度，则提取的第一个训练数据样本为：
30、a(1)＝{x(*1)，x(*2)，...，x(*l)}
31、提取的第k个训练数据样本，表示为：
32、a(k)＝{x(*(1+(k-1)i))，x(*(2+(k-1)i))，....，x(*(l+(k-本文档来自技高网...
【技术保护点】
1.一种异常检测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的一种异常检测模型的构建方法，其特征在于，所述步骤S1中：
3.根据权利要求2所述的一种异常检测模型的构建方法，其特征在于，所述步骤S2，具体如下：
4.根据权利要求3所述的一种异常检测模型的构建方法，其特征在于，所述步骤S3，具体如下：
5.根据权利要求4所述的一种异常检测模型的构建方法，其特征在于，所述步骤S4，具体如下：
6.根据权利要求5所述的一种异常检测模型的构建方法，其特征在于，所述步骤S5，具体如下：
7.一种基于LSTM-AE和动态阈值调整的异常检测方法，其特征在于，包括：
8.根据权利要求7所述的一种基于LSTM-AE和动态阈值调整的异常检测方法，其特征在于，所述步骤S6中：
9.根据权利要求8所述的一种基于LSTM-AE和动态阈值调整的异常检测方法，其特征在于，所述步骤S7，具体如下：
10.一种异常检测系统，该系统包括：处理器和存储器，其特征在于，所述存储器用于存储所述处理器的可
...【技术特征摘要】
1.一种异常检测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的一种异常检测模型的构建方法，其特征在于，所述步骤s1中：
3.根据权利要求2所述的一种异常检测模型的构建方法，其特征在于，所述步骤s2，具体如下：
4.根据权利要求3所述的一种异常检测模型的构建方法，其特征在于，所述步骤s3，具体如下：
5.根据权利要求4所述的一种异常检测模型的构建方法，其特征在于，所述步骤s4，具体如下：
6.根据权利要求5所述的一种异常检测模型的构建方法，其特征在于，所述步骤s5，具体如下：
7...
【专利技术属性】
技术研发人员：杨智明，于冰，向刚，赵利国，禹春梅，彭宇，俞洋，
申请(专利权)人：哈尔滨工业大学，
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。