[發明專利]一種加油站實時異常檢測方法及系統

在審

• 申請號: 202210977135.8
• 申請日: 2022-08-15
• 公開（公告）號: CN115563089A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 蔣曉寧;劉凱;程凱林;方健;于鎮棟
• 申請（專利權）人: 浙江工商大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/21;G06F16/25;G06N3/04
• 代理公司: 杭州裕陽聯合專利代理有限公司 33289
• 代理人: 金方瑋

本發明公開了一種加油站實時異常檢測方法，包括以下步驟：S1：獲取加油機中的實時報文序列；S2：對收集到的加油站數據進行分析，完成數據篩選和預處理；S3：模型調用，加載完成訓練的LSTM?AE?CoGAN模型判別異常數據；S4：異常分類，對LSTM?AE?CoGAN模型判別異常數據進行具體分類，本發明通過引入互補GAN模型的生成器G來改進常規GAN模型，其中判別器被訓練成一個分類器，用于區分正常數據和異常數據，生成器則被訓練生成潛在的異常數據，而不是匹配原始數據分布，通過改進LSTM?AE?GAN算法為LSTM?AE?CoGAN算法，并首次應用于加油站物聯網異常檢測領域，該模型解決訓練數據集標記問題的同時，保證了異常檢測的準確率。

技術領域

本發明涉及異常檢測技術領域，尤其涉及一種加油站實時異常檢測方法及系統。

背景技術

加油站物聯網系統由于設備故障、網絡錯誤等原因產生異常數據，導致數據推送失敗、交易記錄錯誤、積分系統紊亂以及加油行為異常等嚴重問題，使得加油站難以正常運營,給消費者造成不好的用戶體驗，丟失客戶資源，減少加油站的盈利。

在加油站物聯網系統中由設備故障引起的部分異常情況如下：當油機發生故障時，數據序列會在隨機位置出現字節交換的情況，導致末尾的CRC校驗位錯誤；當EPOS發生異常時，連續的幾條數據將被鏈接在一起，如成交記錄的部分字節將被拼接到普通消息中，除上述常見異常狀況外，在數據采集模塊的使用過程中，如果串口端出現過載故障時，消息將在不同的位置被截斷，數據會明顯變短，此外，在加油站物聯網系統實際運行中，網絡因素也會導致相鄰報文的時間間隔出現異常，當數據采集系統發生故障時，導致部分交易記錄出現丟失，相應的導致客戶的交易積分出現未到賬的情況；

此時加油站工作人員只能通過客戶對該筆記錄的反饋知曉異常，此時再通知系統維護人員手動進行數據篩查進行異常判斷和對異常數據進行補錄，導致大量人力物力的消耗，加劇加油站經濟損失。

發明內容

本發明的目的在于提供一種加油站實時異常檢測方法及系統，以解決現有技術中的上述不足之處。

為了實現上述目的，本發明采用了如下技術方案：一種加油站實時異常檢測方法，包括以下步驟：

S1：獲取加油機中的實時報文序列；

S2：對收集到的加油站數據進行分析，完成數據篩選和預處理；

S3：模型調用，加載完成訓練的LSTM-AE-CoGAN模型判別異常數據；

S4：異常分類，對LSTM-AE-CoGAN模型判別異常數據進行具體分類。

作為上述技術方案的進一步描述：

所述步驟S2中對收集到的加油站數據進行預處理具體包括以下步驟：

S2.1：將收集的十六進制格式數據轉換成十進制格式；

S2.2：將轉換后的數據添加pad統一為相同長度。

作為上述技術方案的進一步描述：

所述步驟S3前還包括將存儲的歷史數據作為訓練數據輸入到模型中進行模型訓練。

作為上述技術方案的進一步描述：

所述模型訓練具體包括以下步驟：

a：訓練LSTM-AE模型得到正常數據特征，將得到的特征向量輸入CoGAN模型進行訓練CoGAN模型的生成器G生成異常數據特征分布；

b：將得到的正常數據和異常數據分布用于判別器D的訓練，用于判別異常數據。

作為上述技術方案的進一步描述：

所述步驟S3中LSTM-AE-CoGAN模型判別異常數據具體為：