[發(fā)明專利]基于設備指標數(shù)據(jù)的異常檢測方法及相關設備

在審

• 申請?zhí)枺?/td>: 202010328626.0
• 申請日: 2020-04-23
• 公開（公告）號: CN111679949A
• 公開（公告）日: 2020-09-18
• 發(fā)明（設計）人: 徐銳杰
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識產(chǎn)權(quán)代理有限公司 44334
• 代理人: 劉麗華;孫芬

1.一種基于設備指標數(shù)據(jù)的異常檢測方法，其特征在于，所述方法包括：

當接收到針對設備指標數(shù)據(jù)進行異常檢測的指令時，獲取所述設備指標數(shù)據(jù)對應的目標時間序列數(shù)據(jù)，其中，所述目標時間序列數(shù)據(jù)包括一段連續(xù)的時間點和所述時間點對應的設備指標數(shù)據(jù)；

使用訓練好的一維卷積神經(jīng)網(wǎng)絡模型對所述目標時間序列數(shù)據(jù)進行特征提取，獲得所述目標時間序列數(shù)據(jù)的曲線特征，其中，所述一維卷積神經(jīng)網(wǎng)絡模型是通過三元組算法訓練完成，所述曲線特征為設備指標數(shù)據(jù)隨著時間而變化形成的曲線的特征；

根據(jù)預先訓練好的長短期記憶網(wǎng)絡模型，確定所述目標時間序列數(shù)據(jù)的可疑分類特征；

根據(jù)所述可疑分類特征，確定所述目標時間序列數(shù)據(jù)的殘差特征；

使用預先訓練好的編碼器模型，獲取所述目標時間序列數(shù)據(jù)的降維特征；

獲取所述目標時間序列數(shù)據(jù)的基礎特征；

將所述曲線特征、所述可疑分類特征、所述殘差特征、所述降維特征以及所述基礎特征輸入至預先訓練好的異常檢測模型中，獲得所述設備指標數(shù)據(jù)的異常檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述使用訓練好的一維卷積神經(jīng)網(wǎng)絡模型對所述目標時間序列數(shù)據(jù)進行特征提取，獲得所述目標時間序列數(shù)據(jù)的曲線特征之前，所述方法還包括：

獲取設備指標數(shù)據(jù)對應的多組歷史時間序列數(shù)據(jù)；

根據(jù)所述多組歷史時間序列數(shù)據(jù)，確定多條時間序列曲線，其中，所述多條時間序列曲線與所述多組歷史時間序列數(shù)據(jù)一一對應；

通過相似度算法，確定所述多條時間序列曲線中任意相鄰的兩條所述時間序列曲線之間的基于形狀的距離；

將多個所述基于形狀的距離映射為所述多條時間序列曲線之間的多個相似度；

根據(jù)所述多條時間序列曲線之間的多個相似度，確定多個訓練樣本；

使用三元組算法以及所述多個訓練樣本進行訓練，獲得訓練好的一維卷積神經(jīng)網(wǎng)絡模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述使用三元組算法以及所述多個訓練樣本進行訓練，獲得訓練好的一維卷積神經(jīng)網(wǎng)絡模型包括：

將所述多個訓練樣本的第一時間序列曲線、第二時間序列曲線以及第三時間序列曲線依次輸入至初始一維卷積神經(jīng)網(wǎng)絡模型中，獲得第一向量、第二向量以及第三向量；

使用三元組算法對所述第一向量、所述第二向量以及所述第三向量進行損失計算，獲得損失值；

根據(jù)所述損失值，更新所述初始一維卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡參數(shù)，獲得訓練好的一維卷積神經(jīng)網(wǎng)絡模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)預先訓練好的長短期記憶網(wǎng)絡模型，確定所述目標時間序列數(shù)據(jù)的可疑分類特征包括：

將所述目標時間序列數(shù)據(jù)中最晚時間點之前的數(shù)據(jù)輸入至長短期記憶網(wǎng)絡中，獲得與所述最晚時間點對應的預測數(shù)據(jù)；

計算所述預測數(shù)據(jù)與所述目標時間序列數(shù)據(jù)中最晚時間點的數(shù)據(jù)的差值；

將所述差值對應的絕對值確定為可疑分類特征。

5.根據(jù)權(quán)利要求1至4中任一項所述的方法，其特征在于，所述根據(jù)所述可疑分類特征，確定所述目標時間序列數(shù)據(jù)的殘差特征包括：

確定所述目標時間序列數(shù)據(jù)的標準差；

根據(jù)所述可疑分類特征以及所述標準差，確定殘差特征。

6.根據(jù)權(quán)利要求1至4中任一項所述的方法，其特征在于，所述基礎特征包括基礎統(tǒng)計特征、分位數(shù)指標統(tǒng)計特征、數(shù)據(jù)分布特征以及數(shù)據(jù)混亂程度對應的熵特征。

7.根據(jù)權(quán)利要求1至4中任一項所述的方法，其特征在于，每個所述訓練樣本包括第一時間序列曲線，第二時間序列曲線以及第三時間序列曲線，其中，所述第一時間序列曲線與所述第二時間序列曲線的相似度大于預設相似度，所述第一時間序列曲線與所述第三時間序列曲線的相似度屬于預設相似度區(qū)間。