[發明專利]基于多維傳感數據的工業系統生產異常檢測與診斷方法

在審

• 申請號: 202210375778.5
• 申請日: 2022-04-11
• 公開（公告）號: CN114841250A
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 呂明琪;周丹;朱添田;陳鐵明
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 忻明年

1.一種基于多維傳感數據的工業系統生產異常檢測與診斷方法，其特征在于，所述基于多維傳感數據的工業系統生產異常檢測與診斷方法，包括：

S1、對多維傳感數據樣本進行預處理，并采用滑動窗口將預處理后的多維傳感數據樣本劃分為若干個子樣本，所述子樣本包含正常子樣本和異常子樣本；給定多維傳感數據樣本s∈R^N×T，s為一個二維矩陣，其中N為s的特征維度，即工業系統中所包含的設備個數，T為s的數據時長，即傳感器的采樣點個數；

S2、采用自動編碼機，以無監督訓練方式基于正常子樣本訓練得到異常檢測模型；

S3、根據異常檢測模型訓練分類模型，包括：

步驟31、利用異常檢測模型對含有正常子樣本和異常子樣本的子樣本進行檢測，并根據檢測結果對子樣本添加標記，得到有標注子樣本集；

步驟32、假定F為N個特征的集合，根據特征的組合每次取集合F中的n個特征得到2^N-1個特征子集S，n＝1,2,…,N，根據每個特征子集從有標注子樣本集中生成一個僅包含特征子集中的特征的訓練子集，在每個訓練子集上采用XGBoost分類器以有監督的方式訓練一個分類模型，共得到2^N-1個分類模型；

S4、基于異常檢測模型和分類模型對工業系統生產異常進行實時檢測與診斷，包括：

獲取待檢測的實時子樣本，若異常檢測模型對實時子樣本的檢測結果為正常子樣本則結束；否則利用分類模型根據實時子樣本依次計算N個特征維度中每個特征維度對應的特征置信度，并根據特征置信度診斷異常特征，即定位工業系統中的異常設備。

2.如權利要求1所述的基于多維傳感數據的工業系統生產異常檢測與診斷方法，其特征在于，所述對多維傳感數據樣本進行預處理，包括：

對多維傳感數據樣本s中的缺失值，采用前后數據的平均值進行填充；

對多維傳感數據樣本s進行標準化處理使數據在[0,1]的范圍內。

3.如權利要求1所述的基于多維傳感數據的工業系統生產異常檢測與診斷方法，其特征在于，所述采用滑動窗口將預處理后的多維傳感數據樣本劃分為若干個子樣本，包括：

使用窗口大小為W的滑動窗口對多維傳感數據樣本s進行劃分，得到連續的M個子樣本ss∈R^N×W。

4.如權利要求3所述的基于多維傳感數據的工業系統生產異常檢測與診斷方法，其特征在于，所述自動編碼機的網絡結構包括輸入層、編碼層、語義層、解碼層和輸出層，其中：

所述輸入層：輸入為子樣本ss∈R^N×W；

所述編碼層：采用兩層LSTM作為編碼器，子樣本ss中W個時刻的N維特征向量x₁,x₂,…,x_W按順序輸入第一層LSTM的每個單元，得到的W個隱向量再按順序輸入第二層LSTM的每個單元，得到W個隱向量h₁,h₂,…,h_W；

所述語義層：取隱向量h_W作為編碼后的低維語義向量；

所述解碼層：采用兩層LSTM作為解碼器，將隱向量h_W重復W次并按順序輸入第一層LSTM的每個單元，得到的W個隱向量再按順序輸入第二層LSTM的每個單元，得到W個隱向量g₁,g₂,…,g_W；

所述輸出層：采用全連接層將W個隱向量g₁,g₂,…,g_W轉換為與子樣本ss維度一致的向量y₁,y₂,…,y_W，向量y₁,y₂,…,y_W作為輸出數據rss。

5.如權利要求4所述的基于多維傳感數據的工業系統生產異常檢測與診斷方法，其特征在于，在異常檢測模型的訓練中采用輸出數據rss與子樣本ss的均方誤差作為損失函數，并采用梯度下降的方式進行優化迭代。