[發明專利]基于張量標簽學習的并發異常狀態識別與定位系統

有效

• 申請號: 201910169101.4
• 申請日: 2019-03-06
• 公開（公告）號: CN109871002B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 李雙宏
• 申請（專利權）人: 東方證券股份有限公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

一種基于張量標簽學習的并發異常狀態識別與定位系統，包括：異常狀態數據預處理模塊、高維張量標簽模塊、張量切片與運算模塊、機器學習系統、預測張量標簽信息融合模塊和預測結果評級模塊，本發明利用高維的張量標簽將異常狀態的識別與定位統一到張量學習的框架中，將完整異常狀態信息為到異常狀態張量中，綜合評價異常狀態診斷系統對異常狀態的認知。利用張量標簽學習進行異常狀態識別與定位，對工業系統和控制系統的異常狀態進行精確的狀態、位置以及類別的判定，進行快速完整的態勢和威脅估計，從可以對系統安全的異常狀態威脅進行完整、高效、精確的處理。

技術領域

本發明涉及的是一種機器識別領域的技術，具體是一種基于張量標簽學習的并發異常狀態識別與定位系統。

背景技術

并發異常狀態是多種獨立異常狀態(Independent fault)的集合，但與每個獨立異常狀態都不同，因為工業系統是一個整體，單異常狀態模式會融合到一起，產生新的模式和新的現象，而且這些異常狀態會相互作用、相互影響，這就給異常狀態的識別造成了極大的難度。數據驅動的并發異常狀態診斷是基于觀察到的模式或數據，用于檢測同時發生的多個獨立異常狀態。

為了使機器學習算法能夠處理工業系統的并發異常狀態識別，需要克服兩個挑戰。第一，單異常狀態的模式混合到一起組合出并發異常狀態的模式，這些模式不僅是模式的加權而是會產生新的數據模型，從混合的模式里識別出模式的組合具有極高的難度。第二，由于單個異常狀態的組合次數較多，因此獲取大量并發異常狀態的樣本數據集成本很高，從而產生了許多可能的并發異常狀態訓練模式，并發異常狀態的類型呈指數型增長。當存在10個單一異常狀態，則同步異常狀態類將變為1024級，無法通過機器學習進行加標簽訓練，即“并發異常狀態類型災難”。為目標域建立一個基于學習的模型幾乎是不可能的，因為目標域的標記數據很少，難以用于監督學習。因此，將傳統的機器學習方法應用于并發異常狀態診斷是受到限制的。

監督學習的核心是訓練數據具有標簽，但用標簽來描述工業系統的異常狀態時，現有的標簽方法具有很大的局限。異常狀態的識別、定位的信息在編碼方法、存儲格式、數據特征等方面不盡相同。基于數據挖掘的異常狀態診斷的挖掘出的信息，例如，異常狀態位置、異常狀態類型、異常狀態程度等信息數據在形式與標識上都存在顯著差異。

發明內容

本發明針對現有機器學習算法在并發異常狀態識別與定位中的不足，提出一種基于張量標簽學習的并發異常狀態識別與定位系統，利用高維的張量標簽將異常狀態的識別與定位統一到張量學習的框架中，將完整異常狀態信息為到異常狀態張量中，綜合評價異常狀態診斷系統對異常狀態的認知。利用張量標簽學習進行異常狀態識別與定位，對工業系統和控制系統的異常狀態進行精確的狀態、位置以及類別的判定，進行快速完整的態勢和威脅估計，從可以對系統安全的異常狀態威脅進行完整、高效、精確的處理。

本發明是通過以下技術方案實現的：

本發明涉及一種基于張量標簽學習的并發異常狀態識別與定位系統，包括：異常狀態數據預處理模塊、高維張量標簽模塊、張量切片與運算模塊、機器學習系統、預測張量標簽信息融合模塊和預測結果評級模塊，其中：異常狀態數據預處理模塊采集來自工業系統的原始數據結構化和標準化處理后輸出標準數據至高維張量標簽模塊，高維張量標簽模塊對標準數據進行加標簽處理并生成系統狀態信息張量后分別輸出至張量切片與運算模塊和預測結果評級模塊，張量切片與運算模塊對系統狀態信息張量進行壓縮處理并輸出降維后的張量信息至機器學習系統，機器學習系統分別通過模式識別算法進行異常狀態識別得到故障類型標簽、通過特征選擇算法進行異常狀態定位得到故障位置標簽，預測張量標簽信息融合模塊通過對兩種標簽融合得到預測標簽張量，預測結果評價模塊根據預測標簽張量與系統狀態信息張量中的原始標簽張量進行張量對比運算，得到使用精度，從而實現異常交易狀態識別與定位精度。

所述的工業系統，是指具有輸入輸出參數，并且能夠完成一定生產功能的系統，包括但不限于：冶金系統、電力系統、航天系統、計算機網絡與軟件系統等。