【技术实现步骤摘要】
本专利技术涉及异常检测，具体涉及一种基于自适应加权的在线学习异常检测方法、装置、设备及介质。
技术介绍
1、随着工业自动化水平的提升，集尘系统在工业生产中起到了关键的环保作用。这些系统通过收集、过滤和处理生产过程中产生的粉尘和颗粒物，维护了生产环境的洁净和员工的健康。然而，在长时间运行和复杂工业环境的影响下，集尘系统可能面临多种异常情况，如设备故障、管道堵塞、风机异常等，这些异常可能导致系统性能下降，影响生产效率，甚至引发安全隐患。
2、传统的集尘系统监测方法存在一些局限性。传统的离线监测方法通常通过人工设定阈值或基于静态模型进行监测，难以适应工业生产环境的动态变化。由于生产过程中粉尘浓度、环境条件等因素时刻变化，这些方法可能导致误报或漏报，无法满足实时监测和自适应性的需求。同时，工业生产中存在着多样性和动态性的异常情况，例如设备故障、操作异常等，这些异常可能影响集尘系统的正常运行。因此，提高对于集尘系统异常的实时监测和准确识别成为工业生产过程中的迫切需求。
3、在机器学习领域，传统的处理学习方法通常需要离线训练，无法适应工业集尘系统动态变化的特点。为了解决这一问题，近年来，研究者们在在线学习领域取得了显著进展。在线学习允许模型不断地适应新的数据，通过动态更新模型参数，保持对数据分布的灵活适应性。这使得在线学习成为工业集尘系统异常检测的一种理想选择。然而，现有的在线学习方法在工业集尘系统异常检测中的应用还面临一些挑战。集尘系统数据往往具有高度动态性、非平稳性和异构性，要求异常检测方法具备良好的自适应性和鲁
技术实现思路
1、本专利技术的目的在于提供一种基于自适应加权的在线学习异常检测方法、装置、设备及介质，够更好地适应不断变化的工业环境，实现了异常检测的实时性、准确性和自适应性，为工业生产的安全和环保提供了有力支持。
2、根据本公开的一方面，提供了一种基于自适应加权的在线学习异常检测方法，包括：获取第一数据，所述第一数据包括传感器产生的数据流，所述传感器包括气压压力传感器、水压压力传感器、温度传感器和风速传感器；提取数据流中的时间序列特征；通过机器学习更新数据流，并计算损失函数关于模型参数的梯度，实现模型参数的在线调整。
3、根据本公开的一些实施例，所述提取数据流中的时间序列特征通过结合传感器设备产生的结构化数据进行提取，具体包括：通过气压压力传感器提取的压力变化趋势特征用于捕捉空气流动状态；通过水压压力传感器提取的水压力波动特征用于监测液体流动异常行为；通过温度传感器提取的温度变化特征用于检测系统工作温度的异常波动；通过风速传感器提取的风速变化特征用于分析风力对集尘系统的影响。
4、根据本公开的一些实施例，所述提取数据流中的时间序列特征提取后还包括对数据归一化及滤波处理。
5、根据本公开的一些实施例，所述通过机器学习更新数据流，并计算损失函数关于模型参数的梯度，实现模型参数的在线调整过程，具体还包括：模型参数的在线调整过程的异常检测，当检测到异常时生成相应的报警信号，并实时向操作人员提供异常检测信息。
6、根据本公开的一些实施例，所述正类别和负类别的权重是采用根据时序批量样本内部的分布设计自适应的加权策略，所述加权策略采用正常样本、异常样本的数量与小批总样本数量的比值分别作为正常样本和异常样本的权重值。
7、根据本公开的第二方面，提供一种基于自适应加权的在线学习异常检测装置，包括：数据获取模块，用于获取第一数据，所述第一数据包括传感器产生的数据流，所述传感器包括气压压力传感器、水压压力传感器、温度传感器和风速传感器；特征提取模块，用于提取数据流中的时间序列特征；在线学习模块，用于通过机器学习更新数据流，并计算损失函数关于模型参数的梯度，实现模型参数的在线调整。
8、根据本公开的第三方面，提供一种电子设备，包括处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，执行如上述所述的基于自适应加权的在线学习异常检测方法。
9、根据本公开的第四方面，提供一种存储介质，其上存储有计算机程序指令，所述所述计算机程序指令被处理器执行时实现如上所述的基于自适应加权的在线学习异常检测方法。
10、由上述技术方案可知，本公开提出了一种基于自适应加权的在线学习异常检测方法、装置、设备及介质，结合了多维时间序列特征提取、elastic weight consolidation算法、加权损失函数和加权交叉熵损失函数的创新性应用，该方法能够更好地适应不断变化的工业环境，实现了异常检测的实时性、准确性和自适应性，为工业生产的安全和环保提供了有力支持。
本文档来自技高网...【技术保护点】
1.一种基于自适应加权的在线学习异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征通过分析第一特性提取多种时间序列特征，所述第一特性包括频谱特性、幅度变化。
3.根据权利要求2所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征通过结合传感器设备产生的结构化数据进行提取，具体包括：
4.根据权利要求3所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征提取后还包括对数据归一化及滤波处理。
5.根据权利要求3所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述通过机器学习更新数据流，并计算损失函数关于模型参数的梯度，实现模型参数的在线调整过程，具体还包括：
6.根据权利要求5所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述异常检测采用加权交叉熵损失函数，所述加权交叉熵损失函数为：
7.根据权利要求6所述的基于自适应加权的在线学习异常检测方
8.一种基于自适应加权的在线学习异常检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征在于：所述计算机存储介质上存储有计算机程序指令，所述所述计算机程序指令被处理器执行时实现如权利要求1-7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于自适应加权的在线学习异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征通过分析第一特性提取多种时间序列特征，所述第一特性包括频谱特性、幅度变化。
3.根据权利要求2所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征通过结合传感器设备产生的结构化数据进行提取，具体包括：
4.根据权利要求3所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述提取数据流中的时间序列特征提取后还包括对数据归一化及滤波处理。
5.根据权利要求3所述的基于自适应加权的在线学习异常检测方法，其特征在于，所述通过机器学习更新数据流，并计算损失函数关于模型参数的梯度，实现模型参数的在线调整过程，具体还包括：
6.根据权利要求5所述的基于自适应加权的在线学习异常检测方法，其特征在...
【专利技术属性】
技术研发人员：陶艳君，应文豪，
申请(专利权)人：苏州贝捷环保设备有限公司，
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。