[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

本申請提供的一種基于單類對比學習時序異常檢測方法及相關裝置中，通過將目標設備的待檢測序列以對比學習的方式經第一自編碼以及第二自編碼器進行處理；然后，根據第一自編碼器以及第二自編碼器輸入以及輸出的特征向量計算與單類中心之間的相似度；最后，根據計算出的相似度獲得相應的目標異常得分，用于判斷目標設備是否發生異常。由此，不僅增強了單類方法與對比學習之間的結合深度，而且通過自編碼器提取了待檢序列中的時序依賴信息，從而提升對目標設備進行異常檢測時的精度。

技術領域

本申請涉及故障診斷領域，具體而言，涉及一種基于單類對比學習時序異常檢測方法及相關裝置。

背景技術

隨著傳感技術與物聯網的快速發展，工業設備可采集到大量無健康狀態標簽的時序數據，而基于時序數據無監督深度學習實現工業設備的異常檢測逐漸受到越來越多的關注。其中，相關技術中提出了基于正態表征的異常檢測方法。

所謂基于正態表征的異常檢測方法，建立在時序數據滿足正太假設的基礎上，相關方法包括自編碼器、生成對抗網絡、單類（One-class）方法以及對比學習（ContrastiveLearning）。一些研究發現，將上述基于正態性假設方法進行組合可以從數據中學習更具表現力的表征，從而能夠提升異常檢測的準確率；但目前的結合方式多采用兩階段方式，該方式缺乏方法之間的結合深度，難以克服方法之間的沖突，并且未對時序數據的時序依賴信息進行分析。

發明內容

為了克服現有技術中的至少一個不足，本申請提供一種基于單類對比學習時序異常檢測方法及相關裝置，用于在異常檢測時考慮了時序數據的時序依賴信息的同時，并增強基于正態性假設方法之間的結合深度，從而提升對設備進行異常檢測時的精度。

第一方面，本實施例提供一種基于單類對比學習時序異常檢測方法，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；

針對每組所述特征對，將所述特征對中的第一特征向量以及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，獲得所述第一特征向量的第一重構向量以及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；

根據所述第一特征向量、所述第二特征向量、所述第一重構向量以及所述第二重構向量與單類中心之間的相似度，獲得所述特征對的目標異常得分；

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。

第二方面，本實施例提供一種基于單類對比學習時序異常檢測裝置，所述基于單類對比學習時序異常檢測裝置包括：

特征提取模塊，用于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；

所述特征提取模塊，還用于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；

所述特征提取模塊，還用于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；