[發明專利]一種基于雙向LSTM的低壓鑄造機時間序列數據異常檢測方法

有效

• 申請號: 202010015484.2
• 申請日: 2020-01-07
• 公開（公告）號: CN111241744B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 童哲銘;鄭曉濤;童水光;唐寧;余躍
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務所(特殊普通合伙) 33283
• 代理人: 何碧珩

1.一種基于雙向LSTM的低壓鑄造機時間序列數據異常檢測方法，其特征在于，所述方法包括以下步驟：

步驟一：從數據庫調取正常狀態下的低壓鑄造機的壓力原始數據；

步驟二：對步驟一調取的壓力原始數據進行數據預處理操作，并將數據轉換為監督學習所需數據格式；

步驟三：將步驟二所得壓力數據劃分為訓練集和測試集數據；

步驟四：使用步驟三所得訓練集數據訓練，建立并保存雙向LSTM神經網絡模型，使用測試集數據進行測試，將反歸一化和差分變換的逆變換處理后的模型預測輸出作為雙向LSTM神經網絡的預測輸出；

步驟五：根據測試集期望輸出與步驟四得到的預測輸出計算誤差，將修正后的誤差作為雙向LSTM神經網絡預測輸出誤差；根據預測輸出誤差建立誤差向量的高斯分布模型；

步驟六：調取待測壓力原始數據，對數據按照步驟二所述方式進行處理，將處理好的數據輸入訓練好的雙向LSTM神經網絡中進行預測；對網絡輸出結果進行反歸一化和差分變換逆變換處理后計算輸出誤差，對誤差進行修正后根據步驟五建立的誤差向量高斯分布模型參數，計算待測壓力數據預測誤差向量的馬氏距離；對計算結果進行誤差判定，若判定值大于設定閾值，則判斷此處發生異常，反之，則未發生異常。

2.根據權利要求1所述的一種基于雙向LSTM的低壓鑄造機時間序列數據異常檢測方法，其特征在于，步驟二所述，對數據進行預處理并將數據轉換為監督學習所需數據格式，其主要包括以下步驟：

1)對數據庫導出數據項的相鄰項進行對比，若數據采集時刻與采集值均相同，則將對比數據的第二項作為重復項刪除；若數據采集時刻相同，采集值不同，則將對比數據項的第二項作為異常項刪除，直至所有遍歷完全部序列；

2)計算相鄰采集時刻的時間間隔，得到最小時間間隔t_min，對步驟1)得到的序列按照最小時間間隔添加采集時刻；

3)對新增采集時刻對應的空缺采集值進行填充，采用Lagrange方法進行插值，插值公式為：

其中，x，y表示所采集到的不同的數據，i和j表示不同的時刻的數量，為常數，l是中間結果，l_i表示i時刻的中間結果，P_n是插值結果，

4)對插值后的序列進行一階差分處理，其計算公式為：

Δx_t＝x_t+1-x_t；

其中：x_t+1為t+1時刻數據，x_t為t時刻數據，Δx_t表示差分處理后的序列；

5)對差分處理后的序列進行歸一化處理，其計算公式為：

其中max為樣本數據的最大值，min為樣本數據的最小值，x^*為歸一化處理后的序列；

6)遍歷差分處理后的時間序列數據，對任一時刻t，使用t時刻和t時刻前的d-1個數據{x_t-d+1,...,x_t}與t時刻后的l個數據{x_t+1,...,x_t+l}相結合，構造成新的一項{x_t-d+1,...,x_t,x_t+1,...,x_t+l}，將新的項進行合并，得到共n-l個訓練樣本數據

3.根據權利要求1所述的一種基于雙向LSTM的低壓鑄造機時間序列數據異常檢測方法，其特征在于，步驟四所建立的雙向LSTM神經網絡，輸入層節點數為d，輸出層節點數為l，網絡包括前向隱含層，后向隱含層，輸出層，前向傳播層根據輸入時間序列正向計算并保存各個時刻前向隱含層輸出，后向傳播層從最后時刻反向計算一遍并保存各個時刻后向隱含層輸出，最后在每個時刻結合前向傳播層和后向傳播層相應時刻輸出得到最終的網絡輸出，損失函數采用絕對值誤差函數，網絡采用Adam優化算法加快網絡訓練速度，采用Dropout防止模型過擬合。