[發(fā)明專利]基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法與裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010610214.6
• 申請(qǐng)日: 2020-06-30
• 公開(kāi)（公告）號(hào): CN111898639B
• 公開(kāi)（公告）日: 2022-07-26
• 發(fā)明（設(shè)計(jì)）人: 張鵬程;楊睿
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F16/215;G06F16/2458;G01D21/02
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法，其特征在于，包括如下步驟：

(1)獲取待檢測(cè)的工業(yè)傳感器產(chǎn)生的多維時(shí)間序列相應(yīng)的數(shù)據(jù)集，其中維度包括不同位置工業(yè)傳感器的控制信號(hào)，以及采集的溫度、壓力、液體或者氣體濃度；

(2)對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)噪聲處理從而減小時(shí)間序列中包含的噪音；

(3)根據(jù)數(shù)據(jù)集具有的維度數(shù)量抽象為相對(duì)應(yīng)數(shù)量的維度信息頂點(diǎn)；

(4)計(jì)算維度之間的相關(guān)性數(shù)值并將其賦予圖中相應(yīng)的邊作為權(quán)重值；其中計(jì)算維度之間的相關(guān)性采取最大信息系數(shù)方法，具體包括：

(41)選取數(shù)據(jù)集中的兩個(gè)維度作為兩個(gè)變量，繪制成為散點(diǎn)圖，先用2×2的格柵將數(shù)據(jù)隔開(kāi)，并且通過(guò)不斷調(diào)整格柵分布來(lái)得到兩變量的最大互信息，并且將其在不同格柵狀態(tài)下到的最大互信息組成一個(gè)特定的特征矩陣；

(42)對(duì)最大的互信息值進(jìn)行歸一化；

(43)選擇不同尺度下互信息的最大值作為最大信息系數(shù)MIC的值，MIC的值即作為兩個(gè)維度之間的相關(guān)性數(shù)值；

(44)循環(huán)遍歷各個(gè)變量計(jì)算相關(guān)性，最后得到相關(guān)性數(shù)據(jù)；

(5)將圖分割成為一棵最小生成樹(shù)，之后斷開(kāi)其中權(quán)重較大的k-1條邊，形成k個(gè)簇；其中k為預(yù)先設(shè)定的數(shù)值，為數(shù)據(jù)集維度的10％-15％；

(6)使用主成分分析對(duì)每個(gè)簇進(jìn)行降維；

(7)降維之后的數(shù)據(jù)輸入分層時(shí)間記憶HTM模型預(yù)測(cè)形成綜合的異常分?jǐn)?shù)并且與閾值比較進(jìn)行點(diǎn)異常判定。

2.根據(jù)權(quán)利要求1所述的基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法，其特征在于，所述步驟(2)中采用小波變換對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)噪聲處理，包括：

(21)將各個(gè)維度含噪數(shù)據(jù)采用Mallat算法進(jìn)行小波變換；

(22)對(duì)得到的小波系數(shù)采用軟閾值法進(jìn)行閾值處理；

(23)根據(jù)閾值處理后得到的小波系數(shù)進(jìn)行逆小波變換處理，得到去噪后的數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法，其特征在于，所述步驟(5)中使用prim算法將圖分割成為一棵最小生成樹(shù)。

4.根據(jù)權(quán)利要求1所述的基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法，其特征在于，所述步驟(7)中具體包括：

(71)將數(shù)據(jù)流各個(gè)維度輸入對(duì)應(yīng)的HTM模型中，計(jì)算預(yù)測(cè)差值得到原始異常分?jǐn)?shù)；

其中，向量a(x_t)是表示當(dāng)前t時(shí)刻輸入x_t的二進(jìn)制代碼，利用內(nèi)部狀態(tài)向量π(x_t-1)對(duì)a(x_t)的預(yù)測(cè)，S_t表示當(dāng)前t時(shí)刻的原始異常分?jǐn)?shù)；

(72)對(duì)異常分?jǐn)?shù)進(jìn)行建模，將異常分?jǐn)?shù)的分布建模為滾動(dòng)正態(tài)分布并且使用此分布來(lái)檢查當(dāng)前狀態(tài)是否異常的可能性；為計(jì)算異常可能性，維持最后W原始異常分?jǐn)?shù)的窗口，樣本均值μ_t和方差從先前的異常分?jǐn)?shù)不斷更新，如下所示：

(73)引進(jìn)高斯尾概率Q函數(shù)來(lái)處理T個(gè)HTM模型獲得的原始異常分?jǐn)?shù)進(jìn)行異常判定，相乘計(jì)算每個(gè)模型的Q函數(shù)得到綜合的異常可能性L_t，公式如下：

其中，W′是針對(duì)單維短期的滑動(dòng)窗口大小，并且W′＜＜W，L_t是t時(shí)刻的異常可能性，表示第i個(gè)模型W窗口內(nèi)的均值，表示第i個(gè)模型在W′窗口內(nèi)的原始異常分?jǐn)?shù)均值，表示第i的模型的標(biāo)準(zhǔn)差；

(74)判斷獲得的異常可能性L_t的值與閾值1-∈相比，如果異常可能性大于閾值，則判斷這次時(shí)間點(diǎn)t存在異常的數(shù)據(jù)。

5.一種基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)裝置，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被加載至處理器時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1-4任一項(xiàng)所述的基于降維的分層時(shí)間記憶工業(yè)異常檢測(cè)方法。