[發明專利]一種面向石油化工行業現場工藝行為的異常行為檢測方法

有效

• 申請號: 201911050917.1
• 申請日: 2019-10-31
• 公開（公告）號: CN111709437B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 尚文利;尹隆;陳德童;趙劍明;佟國毓;陳春雨;張野
• 申請（專利權）人: 中國科學院沈陽自動化研究所
• 主分類號: G06F18/23213
• 分類號: G06F18/23213
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

本發明涉及一種面向石油化工現場工藝行為異常行為檢測方法，具體為針對石油化工工業現場異常行為檢測開展基于行為特征知識庫的檢測方法，該方法將基于神經網絡的自編碼器和無監督的K?means聚類方法相結合，將系統生產控制中產生的工藝數據進行降維壓縮和分類，將各個數據到聚類中心的最短歐幾里得距離作為提取的態勢要素，通過在時間維度上對工業現場的業務行為進行概括和抽象，建立運行過程行為基線與攻擊行為之間的關聯關系，實現面向工業現場的行為特征知識庫構建，建立行為特征知識庫實現一種高效的工業現場隱蔽異常行為檢測報警機制。

技術領域

本發明涉及一種面向石油化工行業現場工藝行為的異常行為檢測方法，通過基于工業現場行為特征知識庫構建，實現提高工控安全檢測技術與行業現場行為的關聯性，使異常行為檢測警報更代表行業現場行為特點，屬于工業控制網絡信息安全領域。

背景技術

當前國內外關于基于行業特征知識庫的異常行為檢測技術的研究較少，更是缺乏工業現場行為特征知識庫構建技術的參考，目前的一些安全產品是通過傳統IT安全防護產品演變而來，只是增加了工控協議，其他基本很少與工控現場生產系統相關，本發明的研究成果將突破當前國內外關于工業現場行為特征知識庫構建技術空白的局限，提高工控安全檢測技術與行業現場行為的關聯性，使異常檢測警報更代表行業現場行為特點，同時對減少異常檢測“漏報率”與“誤報率”有一定幫助。傳統方法往往需要對研究對象的內部運作規律有深入的了解和認識，而多數系統的內部運作結構較為復雜，很難完全從機理上歸納其內在規律，導致檢測準確率較低，而本發明能夠通過無監督學習更加有效的進行態勢預測，從而在獲取設備準確模型的基礎上，進一步實現對于模型的特征提取、挖掘、聚類和分類，實現數據驅動的設備故障診斷，并根據數據的時空聯系，構建設備故障預測原則。

本發明主要針對石油化工工業現場異常行為檢測開展基于行為特征知識庫的檢測方法研究，項目通過結合實際的工廠生產環境研究業務運行過程行為基線，通過主成分描述以及專家知識建立生產控制行為模型，對工業現場的業務行為進行概括和抽象，建立運行過程行為基線與攻擊行為之間的關聯關系，實現面向工業現場的行為特征知識庫構建，通過在線自學習優化機制的研究實現對行為庫的自動化學習和更新機制。在此基礎上，通過基于工藝行為特征提取算法的研究，結合建立的行為特征知識庫實現一種高效的工業現場隱蔽異常行為檢測報警機制

發明內容

針對上述技術不足，本發明的目的提供一種面向石油化工行業現場工藝行為的異常行為檢測方法。本發明結合態勢感知的概念，提出基于無監督學習的工控系統態勢理解算法，結合精餾塔現場實時數據，通過自編碼器和K-means等無監督學習算法對系統的正常工況進行建模，并以此作為基準來得到每個時刻系統狀態與正常工況的偏離程度來作為安全態勢要素，在時間維度上對其進行融合計算，得到系統當前態勢，為后續態勢預測階段提供數據基礎。

本發明為實現上述目的所采用的技術方案是：

一種面向石油化工行業現場工藝行為的異常行為檢測方法，包括以下步驟：

1)對歷史工藝數據進行預處理；

2)對預處理后的數據進行K-means聚類，得到聚類中心和對應類別的數據集；

3)計算每個類別的數據集中每個數據點到其對應的聚類中心的距離，取出最大值dis_maxj，得到該最大值對應的數據點到聚類中心距離的最大值集合Dis；

4)對實時檢測到的工藝數據進行預處理，并得到預處理后的數據與每個聚類中心的距離，得到預處理后的數據到聚類中心的距離集合Dis_t，計算Dis_t與Dis的差，得到d＝{d_j＝(dis_t_j-dis_maxj)|j＝1，2，3...k}；k表示類別個數，dis_t_j表示數據點本身與每個聚類中心的距離，d_j表示dis_t_j到dis_maxj的差值，d表示d_j合集；