[發(fā)明專利]基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法

在審

• 申請?zhí)枺?/td>: 202210375778.5
• 申請日: 2022-04-11
• 公開（公告）號: CN114841250A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 呂明琪;周丹;朱添田;陳鐵明
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 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(wù)所有限公司 33200
• 代理人: 忻明年

本發(fā)明公開了一種基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法，包括：對多維傳感數(shù)據(jù)樣本進(jìn)行預(yù)處理，并采用滑動(dòng)窗口將預(yù)處理后的多維傳感數(shù)據(jù)樣本劃分為若干個(gè)子樣本；采用自動(dòng)編碼機(jī)，以無監(jiān)督訓(xùn)練方式基于正常子樣本訓(xùn)練得到異常檢測模型；根據(jù)異常檢測模型訓(xùn)練分類模型；基于異常檢測模型和分類模型對工業(yè)系統(tǒng)生產(chǎn)異常進(jìn)行實(shí)時(shí)檢測與診斷。本發(fā)明解決了當(dāng)前以黑盒模型針對多維傳感數(shù)據(jù)異常檢測的情況下難以進(jìn)行異常診斷的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，具體涉及一種基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法。

背景技術(shù)

工業(yè)互聯(lián)網(wǎng)旨在實(shí)現(xiàn)更敏銳、更高效的工業(yè)制造系統(tǒng)的自動(dòng)化控制和資源分配，同時(shí)提高智能工廠的生產(chǎn)效率。然而，由于工業(yè)互聯(lián)網(wǎng)打破了網(wǎng)絡(luò)世界和物理世界的邊界，使得工業(yè)制造系統(tǒng)更容易受到外部惡意行為的侵襲。此外，工業(yè)制造系統(tǒng)中不可避免的存在設(shè)備故障、性能下降、質(zhì)量缺陷等生產(chǎn)問題。如果工業(yè)生產(chǎn)中的入侵、故障等異常情況不能被及時(shí)檢測出來，將可能給整個(gè)制造體系帶來嚴(yán)重的損失。因此，異常檢測與診斷是工業(yè)互聯(lián)網(wǎng)的基本要求，對智能制造企業(yè)具有十分重要的意義。

隨著工業(yè)互聯(lián)網(wǎng)的快速發(fā)展，現(xiàn)代化工業(yè)制造系統(tǒng)通過傳感器，實(shí)現(xiàn)了對生產(chǎn)運(yùn)行狀態(tài)和過程的感知和記錄，積累了大量的工業(yè)生產(chǎn)數(shù)據(jù)，數(shù)據(jù)驅(qū)動(dòng)方法成為異常檢測的主流手段。近年來，深度學(xué)習(xí)逐漸成為數(shù)據(jù)驅(qū)動(dòng)方法的主流技術(shù)。然而，由于深度學(xué)習(xí)模型過于復(fù)雜、包含了大量的非線性變換，總體上是一個(gè)黑盒，其預(yù)測結(jié)果是不可解釋的。在工業(yè)系統(tǒng)異常檢測中，對檢測結(jié)果的解釋非常重要，是實(shí)現(xiàn)對異常檢測結(jié)果診斷的基礎(chǔ)。例如，異常檢測結(jié)果診斷可以幫助定位哪個(gè)設(shè)備、哪個(gè)時(shí)間段發(fā)生了異常。

現(xiàn)有對深度學(xué)習(xí)模型進(jìn)行解釋的方法都專注于有監(jiān)督學(xué)習(xí)模型，如SHAP、LIME等深度學(xué)習(xí)可解釋框架。但由于工業(yè)生產(chǎn)數(shù)據(jù)十分復(fù)雜，人工標(biāo)注的代價(jià)過大，導(dǎo)致獲取到的工業(yè)生產(chǎn)數(shù)據(jù)基本都是無標(biāo)注的，因此異常檢測模型需要以無監(jiān)督的方式訓(xùn)練。特別是自動(dòng)編碼機(jī)等新型的深度無監(jiān)督學(xué)習(xí)模型，幾乎無法讓現(xiàn)有的深度學(xué)習(xí)可解釋框架學(xué)習(xí)到異常樣本與語義特征之間的關(guān)聯(lián)，導(dǎo)致無法對深度無監(jiān)督學(xué)習(xí)模型進(jìn)行解釋。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法，提高異常診斷準(zhǔn)確性。

為實(shí)現(xiàn)上述目的，本發(fā)明所采取的技術(shù)方案為：

一種基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法，所述基于多維傳感數(shù)據(jù)的工業(yè)系統(tǒng)生產(chǎn)異常檢測與診斷方法，包括：

S1、對多維傳感數(shù)據(jù)樣本進(jìn)行預(yù)處理，并采用滑動(dòng)窗口將預(yù)處理后的多維傳感數(shù)據(jù)樣本劃分為若干個(gè)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(shù)據(jù)樣本s∈R^N×T，s為一個(gè)二維矩陣，其中N為s的特征維度，即工業(yè)系統(tǒng)中所包含的設(shè)備個(gè)數(shù)，T為s的數(shù)據(jù)時(shí)長，即傳感器的采樣點(diǎn)個(gè)數(shù)；

S2、采用自動(dòng)編碼機(jī)，以無監(jiān)督訓(xùn)練方式基于正常子樣本訓(xùn)練得到異常檢測模型；

S3、根據(jù)異常檢測模型訓(xùn)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(jìn)行檢測，并根據(jù)檢測結(jié)果對子樣本添加標(biāo)記，得到有標(biāo)注子樣本集；

步驟32、假定F為N個(gè)特征的集合，根據(jù)特征的組合每次取集合F中的n個(gè)特征得到2^N-1個(gè)特征子集S，n＝1,2,…,N，根據(jù)每個(gè)特征子集從有標(biāo)注子樣本集中生成一個(gè)僅包含特征子集中的特征的訓(xùn)練子集，在每個(gè)訓(xùn)練子集上采用XGBoost分類器以有監(jiān)督的方式訓(xùn)練一個(gè)分類模型，共得到2^N-1個(gè)分類模型；

S4、基于異常檢測模型和分類模型對工業(yè)系統(tǒng)生產(chǎn)異常進(jìn)行實(shí)時(shí)檢測與診斷，包括：