[發明專利]基于單類對比學習時序異常檢測方法及相關裝置

有效

• 申請號: 202210483167.2
• 申請日: 2022-05-06
• 公開（公告）號: CN114580656B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 郭曉輝;牟許東;王瑞;劉重偉
• 申請（專利權）人: 北京航空航天大學杭州創新研究院
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張欣欣

1.一種基于單類對比學習時序異常檢測方法，其特征在于，所述方法包括：

獲取目標設備的待檢測序列，其中，所述待檢測序列通過對所述目標設備的目標狀態信息進行采樣獲得；

將所述待檢測序列采用不同的方式進行增強處理，獲得第一序列以及第二序列；

根據所述第一序列以及所述第二序列，獲得至少一組特征對，其中，每組特征對包括第一特征向量以及第二特征向量，所述第一特征向量提取自所述第一序列中的第一序列片段，所述第二特征向量提取自所述第二序列中的第二序列片段，所述第一序列片段與所述第二序列片段分別截取自相同的片段位置；

將所述至少一組特征對中全部的第一特征向量以及全部的第二特征向量分別輸入故障檢測模型的第一自編碼器以及第二自編碼器，獲得每個所述第一特征向量的第一重構向量以及每個所述第二特征向量的第二重構向量，其中，所述故障檢測模型基于對比學習原理構建；

分別根據每組特征對的第一特征向量、第二特征向量、第一重構向量以及第二重構向量與單類中心之間的相似度，獲得每組所述特征對的目標異常得分，包括：

針對每組所述特征對，根據所述特征對的第一特征向量、第一重構向量以及第二特征向量與所述單類中心之間的相似度，獲得所述特征對的第一異常得分；

根據所述特征對的第二特征向量、第二重構向量以及第一特征向量與所述單類中心之間的相似度，獲得所述特征對的第二異常得分；

從所述第一異常得分以及所述第二異常得分中選取最大的異常得分，作為所述特征對的目標異常得分；

其中，所述第一異常得分的計算方式為：

所述第二異常得分的計算方式為：

式中，表示所述第一特征向量，表示所述第一重構向量，表示第二特征向量，表示所述單類中心， 表示所述第二特征向量，表示所述第二重構向量，表示第一特征向量， 表示進行余弦相似度計算；

若全部所述特征對的目標異常得分滿足預設異常條件，則確定所述目標設備發生異常。

2.根據權利要求1所述的基于單類對比學習時序異常檢測方法，其特征在于，所述故障檢測模型還包括第一特征提取層以及第二特征提取層，所述根據所述第一序列以及所述第二序列，獲得至少一組特征對，包括：

根據所述第一序列以及所述第二序列，從中截取至少一組片段對，其中，每組所述片段對包括截取自相同片段位置的第一序列片段以及第二序列片段；

將所述至少一組片段對中的全部第一序列片段以及全部的第二序列片段分別輸入所述第一特征提取層以及所述第二特征提取層，獲得每個所述第一序列片段的第一特征向量以及每個所述第二序列片段的第二特征向量；

將與每組所述片段對相對應的第一特征向量以及第二特征向量，作為一組特征對。

3.根據權利要求1所述的基于單類對比學習時序異常檢測方法，其特征在于，所述若全部所述特征對的目標異常得分滿足預設異常條件，則確定所述目標設備發生異常，包括：

若全部所述特征對的目標異常得分均大于得分閾值，則確定所述目標設備發生異常。

4.根據權利要求3所述的基于單類對比學習時序異常檢測方法，其特征在于，所述方法還包括：

獲取所述目標設備的基準序列，其中，所述基準序列通過對所述目標設備在未發生異常時的目標狀態信息進行采樣獲得；

通過與獲取所述待檢測序列對應目標異常得分相同的方式，獲得所述基準序列的多個基準得分；

根據所述多個基準得分，從中確定出所述得分閾值，其中，小于所述得分閾值的基準得分在所述多個基準得分中的數量占比與占比閾值最為接近。