CN110334478A - 机器设备异常检测模型构建方法、检测方法及模型 - Google Patents

Abstract

本发明公开了一种机器设备异常检测模型构建方法、检测方法及模型，属于基于迁移学习的机器设备异常检测领域，要解决的技术问题为如何结合深度学习和迁移学习实现对机器设备的检测。构建方法包括如下步骤：基于Tensorflow学习框架构建异常检测模型，异常检测模型包括输入层、输出层和多个隐藏层；获取旧机器设备数据为源领域，以源领域为输入、基于Dropout‑SDA算法对所述异常检测模型进行参数优化，得到初始模型；获取新机器设备数据为目标领域，以目标领域为输入、基于Dropout‑SDA算法对初始模型进行参数微调，得到目标模型。检测方法包括通过目标模型判断待检测数据是否异常。该模型为上述方法得到的目标模型。

Description

机器设备异常检测模型构建方法、检测方法及模型

技术领域

本发明涉及基于迁移学习的机器设备异常检测领域，具体地说是一种机器设备异常检测模型构建方法、检测方法及模型。

背景技术

近年来，深度学习和迁移学习已经引起了广泛的关注和研究，深度学习已经成功的应用到很多领域当中，例如不同的CNN和GAN网络成功应用到图像处理的任务中，RNN、LSTM和GRU等模型成功应用到NLP任务当中；迁移学习作为机器学习的一个新领域，通过放宽传统机器学习的独立同分布的假设，借助与目标领域相关但不相同的源领域中大量的数据获得预测目标领域模型。随着深度学习技术的快速发展，深度迁移学习技术得到了广泛的应用，例如图片识别、自然语言处理等应用。

在工业大数据分析中，首先有些工业设备很难获得大量有效的数据进行分析，其次工业设备往往在原理和功能上存在一定的相似性，因此可以利用这种相似性，把针对某种设备的异常检测模型应用于其他种类的设备的异常检测中。

基于上述分析，如何结合深度学习和迁移学习实现对机器设备的检测，是需要解决的技术问题。

发明内容

本发明的技术任务是针对以上不足，提供一种机器设备异常检测模型构建方法、检测方法及模型，来解决如何结合深度学习和迁移学习实现对机器设备的检测的问题。

第一方面，本发明提供一种机器设备异常检测模型构建方法，包括如下步骤：

基于Tensorflow学习框架构建异常检测模型，所述异常检测模型包括输入层、输出层和多个隐藏层；

获取旧机器设备数据为源领域，以源领域为输入、基于Dropout-SDA算法对所述异常检测模型进行参数优化，得到初始模型；

获取新机器设备数据为目标领域，以目标领域为输入、基于Dropout-SDA算法对所述初始模型进行参数微调，得到目标模型。

在机器设备异常检测中，新的机器设备设备和旧的机器设备设备往往在工作原理上存在相似性，本实施方式中基于Tensorflow学习框架构建异常检测模型，借助旧的机器设备中大量的数据所提供的知识对异常检测模型进行预训练，然后使用新机器设备的数据对模型参数进行一个微调，得到目标模型。该目标模型用于对新机器设备的待检测数据进行异常检测。

作为优选，以源领域为输入、基于Dropout-SDA算法对所述异常检测模型进行参数优化，包括如下步骤：

以所述源领域的数据为原始输入数据，输入输入层；

通过迭代的方式逐个对隐藏层进行参数优化，输入所述第i个隐藏层的数据为输入数据x⁽ⁱ⁾，对第i个隐藏层进行参数优化的步骤包括：

通过所述第i个隐藏层的中编码参数θ_i对所述输入数据x⁽ⁱ⁾进行编码，得到编码数据y⁽ⁱ⁾；

添加随机失活层，通过所述随机失活层对所述第i个隐藏层进行节点失活处理，得到失活后第i个隐藏层；

通过所述失活后第i个隐藏层对所述编码数据y⁽ⁱ⁾进行计算，得到数据Y⁽ⁱ⁾；

通过所述第i个隐藏层的中解码参数θ_i'对所述数据Y⁽ⁱ⁾进行解码，得到与所述输入数据x⁽ⁱ⁾对应的重构数据z⁽ⁱ⁾；

基于所述输入数据x⁽ⁱ⁾和所述重构数据z⁽ⁱ⁾构建损失函数，并通过AdaGrad优化算法对所述损失函数进行优化，得到所述第i个隐藏层中编码参数θ_i和解码参数θ_i'的初值；

其中，输入第一个隐藏层的数据为通过输入层输出的原始输入数据；除第一个隐藏层之外，输入第i+1个隐藏层的数据为y⁽ⁱ⁾。

上述实施方式中通过源领域对构建的异常检测模型进行参数优化，在优化过程中，通过隐藏层对具有噪声的源领域数据进行编码得到编码数据，并添加随机失活层对隐藏层的节点进行失活，通过失活后隐藏层对编码数据进行计算并解码，得到低纬度的特征表，通过上述训练过程得到的隐藏层提高了特征提取效率。

作为优选，在输入层通过噪声函数为原始输入数据添加噪声，得到具有噪声的数据；输入第一个隐藏层的数据为通过输入层输出的具有噪声的原始输入数据。

在上述实施方式中，在输入层对源领域加入噪声函数，以具有噪声的数据作为输入数据输入第一个隐藏层，后期对新机器设备进行异常检测时，获取的待检测数据可能存在噪声，在训练异常检测模型过程中对输入的源领域数据加入噪声，可以减少模型误差。

作为优选，以目标领域为输入、基于Dropout-SDA算法对所述初始模型进行参数微调，包括如下步骤：

通过迭代的方式逐个对隐藏层进行参数微调，对于第i个隐藏层进行参数微调的步骤包括：

输入所述第i个隐藏层的数据为输入数据x⁽ⁱ⁾；

通过所述第i个隐藏层的中编码参数θ_i对所述输入数据x⁽ⁱ⁾进行编码，得到编码数据y⁽ⁱ⁾；

添加随机失活层，通过所述随机失活层对所述第i个隐藏层进行节点失活处理，得到失活后第i个隐藏层；

通过所述失活后第i个隐藏层对所述编码数据y⁽ⁱ⁾进行计算，得到数据Y⁽ⁱ⁾；

通过所述第i个隐藏层的中解码参数θ_i'对所述数据Y⁽ⁱ⁾进行解码，得到与所述输入数据x⁽ⁱ⁾对应的重构数据z⁽ⁱ⁾；

基于所述输入数据x⁽ⁱ⁾和所述重构数据z⁽ⁱ⁾构建损失函数，并通过AdaGrad优化算法对所述损失函数进行优化，得到所述第i个隐藏层中编码参数θ_i和解码参数θ_i'的初值；

所述对隐藏层进行参数微调过程中，输入第一个隐藏层的数据为目标领域的数据；除第一个隐藏层之外，输入第i+1个隐藏层的数据为y⁽ⁱ⁾。

作为优选，通过AdaGrad优化算法对所述损失函数进行优化过程中，所述损失函数为平方损失函数，所述平方损失函数计算公式为：

其中，输入数据x和重构数据z均为一维向量，组成样本；m表示样本总数，k表示样本数据的维度；i表示第几个样本，j表示样本数据的第几个维度。

作为优选，通过AdaGrad优化算法对所述损失函数进行优化过程中，AdaGrad优化算法计算公式为：

其中，t表示第t时间步；

Θ_t+1,i表示在t+1轮迭代时，第i个编码参数的参数值，

α表示初始化的学习率，

g_t,i表示在t轮迭代时，第i个编码参数的梯度，

G_t,ii表示第t轮迭代的对角矩阵，ii表示对角位置，为编码参数θ_i从第一轮迭代到第t轮迭代梯度的平方和；

ε表示平滑顶，用于避免分母为0。

第二方面，本发明提供一种机器设备异常检测方法，包括如下步骤：

通过如第一方面任一项所述的一种机器设备异常检测模型构建方法构建机器设备异常检测模型，得到目标模型；

通过所述目标模型判断待检测数据是否异常。

作为优选，通过所述目标模型判断待检测数据是否异常，包括如下步骤：

将所述源领域的数据输入所述目标模型，得到对应的重构数据，并计算所述源领域的数据和与其对应的重构数据之间的源重构误差；

将所述目标领域的数据输入所述目标模型，得到对应的重构数据，并计算所述目标领域的数据和与其对应的重构数据之间的目标重构误差；

从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

将待检测数据输入所述目标模型，得到对应的重构数据，计算所述待检测数据和与其对应的重构数据之间的待测重构误差；

将所述待测重构误差与所述阈值K进行大小比对，判断所述待测数据是否异常。

第三方面，本发明提供一种机器设备异常检测模型，所述机器设备异常检测模型为通过如第一方面任一项所述的一种机器设备异常检测模型构建方法得到的目标模型。

作为优选，一种机器设备异常检测模型，所述目标模型用于通过如下步骤对机器设备进行异常检测：

将所述源领域的数据输入所述目标模型，得到对应的重构数据，并计算所述源领域的数据和与其对应的重构数据之间的源重构误差；

将所述目标领域的数据输入所述目标模型，得到对应的重构数据，并计算所述目标领域的数据和与其对应的重构数据之间的目标重构误差；

从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

将待检测数据输入所述目标模型，得到对应的重构数据，计算所述待检测数据和与其对应的重构数据之间的待测重构误差；

将所述待测重构误差与所述阈值K进行大小比对，判断所述待测数据是否异常。

本发明的一种机器设备异常检测模型构建方法、检测方法及模型具有以下优点：基于迁移学习利用旧机器设备充足的数据，构建适用于新机器设备的异常检测模型，可缓解新机器设备数据不足的问题，并可实现对新机器设备所产生的数据进行实时的监测和分析，达到预测性维护和预警的目的。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

下面结合附图对本发明进一步说明。

附图1为实施例1机器设备异常检测模型构建方法的流程框图；

附图2为实施例1机器设备异常检测模型构建方法改进后的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。

本发明实施例提供一种机器设备异常检测模型构建方法、检测方法及模型，用于解决如何结合深度学习和迁移学习实现对机器设备的检测的技术问题。

实施例1：

本发明的机器设备异常检测模型构建方法，包括如下步骤：

S100、基于Tensorflow学习框架构建异常检测模型，异常检测模型包括输入层、输出层和多个隐藏层；

S200、获取旧机器设备数据为源领域，以源领域为输入、基于Dropout-SDA算法对异常检测模型进行参数优化，得到初始模型；

S300、获取新机器设备数据为目标领域，以目标领域为输入、基于Dropout-SDA算法对初始模型进行参数微调，得到目标模型。

其中，本实施例中，机器设备为水泵，构建的异常检测模型具有两个隐藏层，其中第一个隐藏层中有10个节点，第二个隐藏层中有5个节点。

步骤S200中，获取旧水泵的数据绕组温度、电流、电压和瞬时电流组成源领域。将上述源领域的数据作为原始输入数据x(x₁,x₂,x₃,x₄)，输入输入层。并将上述原始输入数据输入第一个隐藏层，基于Dropout-SDA算法对第一个隐藏层进行参数优化，具体过程为：

将原始输入数据作为第一个隐藏层的输入数据x⁽¹⁾，通过第一个隐藏层中的编码参数θ₁对输入数据x⁽¹⁾进行编码，得到编码数据y⁽¹⁾，表示为

添加随机失活层，随机失活层中keep-Prob设置为0.7，通过该随机失活层对第一个隐藏层进行节点失活处理，得到失活后第一个隐藏层；

通过述失活后第一个隐藏层对编码数据y⁽¹⁾进行计算，得到数据Y⁽¹⁾，表示为

通过第一个隐藏层的中解码参数θ₁'对数据Y⁽ⁱ⁾进行解码，得到与输入数据x⁽¹⁾对应的重构数据z⁽¹⁾；

基于输入数据x⁽¹⁾和重构数据z⁽¹⁾构建损失函数，并通过AdaGrad优化算法对损失函数进行优化，得到第一个隐藏层中编码参数θ₁和解码参数θ₁'的初值。

对第一个隐藏层中编码参数θ₁和解码参数θ₁'优化后，对第二个隐藏层进行参数优化，具体过程为：

将编码数据y⁽¹⁾作为第二个隐藏层的输入数据x⁽²⁾，通过第二个隐藏层中的编码参数θ₂对输入数据x⁽²⁾进行编码，得到编码数据y⁽²⁾，表示为

添加随机失活层，随机失活层中keep-Prob设置为0.7，通过该随机失活层对第二个隐藏层进行节点失活处理，得到失活后第二个隐藏层；

通过失活后第二个隐藏层对编码数据y⁽²⁾进行计算，得到数据Y⁽²⁾，表示为

通过第二个隐藏层的中解码参数θ₂'对数据Y⁽²⁾进行解码，得到与输入数据x⁽²⁾对应的重构数据z⁽²⁾；

基于输入数据x⁽²⁾和重构数据z⁽²⁾构建损失函数，并通过AdaGrad优化算法对损失函数进行优化，得到第二个隐藏层中编码参数θ₂和解码参数θ₂'的初值。

对第二个隐藏层中编码参数θ₂和解码参数θ₂'优化后，得到得到初始模型。

在步骤S300中，获取新水泵的数据绕组温度、电流、电压和瞬时电流组成目标领域。将上述目标领域的数据作为原始输入数据x(x₁,x₂,x₃,x₄)，输入输入层。并将上述原始输入数据输入第一个隐藏层，基于Dropout-SDA算法对第一个隐藏层进行参数微调，具体过程为：

将原始输入数据作为第一个隐藏层的输入数据x⁽¹⁾，通过第一个隐藏层中的编码参数θ₁对输入数据x⁽¹⁾进行编码，得到编码数据y⁽¹⁾，表示为

添加随机失活层，随机失活层中keep-Prob设置为0.7，通过该随机失活层对第一个隐藏层进行节点失活处理，得到失活后第一个隐藏层；

通过失活后第一个隐藏层对编码数据y⁽¹⁾进行计算，得到数据Y⁽¹⁾，表示为

通过第一个隐藏层的中解码参数θ₁'对数据Y⁽ⁱ⁾进行解码，得到与输入数据x⁽¹⁾对应的重构数据z⁽¹⁾；

基于输入数据x⁽¹⁾和重构数据z⁽¹⁾构建损失函数，并通过AdaGrad优化算法对损失函数进行优化，得到第一个隐藏层中编码参数θ₁和解码参数θ₁'的终值。

对第一个隐藏层中编码参数θ₁和解码参数θ₁'微调后，对第二个隐藏层进行参数微调，具体过程为：

将编码数据y⁽¹⁾作为第二个隐藏层的输入数据x⁽²⁾，通过第二个隐藏层中的编码参数θ₂对输入数据x⁽²⁾进行编码，得到编码数据y⁽²⁾，表示为

添加随机失活层，随机失活层中keep-Prob设置为0.7，通过该随机失活层对第二个隐藏层进行节点失活处理，得到失活后第二个隐藏层；

通过失活后第二个隐藏层对编码数据y⁽²⁾进行计算，得到数据Y⁽²⁾，表示为

通过第二个隐藏层的中解码参数θ₂'对数据Y⁽²⁾进行解码，得到与输入数据x⁽²⁾对应的重构数据z⁽²⁾；

基于输入数据x⁽²⁾和重构数据z⁽²⁾构建损失函数，并通过AdaGrad优化算法对损失函数进行优化，得到第二个隐藏层中编码参数θ₂和解码参数θ₂'的终值。

对第二个隐藏层中编码参数θ₂和解码参数θ₂'微调后，得到目标模型。

其中，通过AdaGrad优化算法对损失函数进行优化过程中，损失函数为平方损失函数，平方损失函数计算公式为：

其中，输入数据x和重构数据z均为一维向量，组成样本；m表示样本总数，k表示样本数据的维度；i表示第几个样本，j表示样本数据的第几个维度。

AdaGrad优化算法计算公式为：

其中，t表示第t时间步；

Θ_t+1,i表示在t+1轮迭代时，第i个编码参数的参数值，

α表示初始化的学习率，

g_t,i表示在t轮迭代时，第i个编码参数的梯度，

G_t,ii表示第t轮迭代的对角矩阵，ii表示对角位置，为编码参数θ_i从第一轮迭代到第t轮迭代梯度的平方和；

ε表示平滑顶，用于避免分母为0。

通过上述目标模型可对机器设备进行异常检测。检测方法为：将待检测数据输入该目标模型，通过目标模型计算该待检测数据的重构数据，并计算待检测数据与重构数据之间的重构误差，通过重构误差判断待检测数据是否异常。

由于在采集机器设备数据时，存在噪声，上述在构建异常检测模型时，没有涉及噪声处理，通过上述目标模型对待检测数据进行异常检测时，存在误差。

针对上述问题，作为本实施例的进一步改进，如附图2所示，在以源领域为输入、基于Dropout-SDA算法对异常检测模型进行参数优化时，在输入层通过噪声函数为原始输入数据添加噪声，得到具有噪声的数据；输入第一个隐藏层的数据为通过输入层输出的具有噪声的原始输入数据。

本实施例中噪声函数为高斯噪声，噪声数据满足标准正态分布。

实施例2：

本发明的机器设备异常检测方法，包括如下步骤：

L100、通过实施例1公开的机器设备异常检测模型构建方法构建机器设备异常检测模型，得到目标模型；

L200、通过目标模型判断待检测数据是否异常。

其中，该机器设备为水泵，L200通过目标模型判断待检测数据是否异常，包括如下步骤：

L210、将源领域的数据输入目标模型，得到对应的重构数据，并计算重构数据与源领域的数据之间的源重构误差；

L220、将目标领域的数据输入目标模型，得到对应的重构数据，并计算重构数据与目标领域的数据之间的目标重构误差；

L230、从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

L240、将待检测数据输入目标模型，得到对应的重构数据，计算重构数据与待检测数据之间的待测重构误差；

L250、将待测重构误差与阈值K进行大小比对，判断待测数据是否异常。

其中，在对上述异常检测模型进行优化时，添加了随机失活层，在上述计算重构误差的过程中，将随机失活层中Keep-prob设置为1。

实施例3：

本发明的机器设备异常检测模型，该机器设备异常检测模型为实施例1公开的机器设备异常检测模型构建方法得到的目标模型。

该目标模型用于通过如下步骤对机器设备进行异常检测：

将源领域的数据输入目标模型，得到对应的重构数据，并计算源领域的数据和与其对应的重构数据之间的源重构误差；

将目标领域的数据输入目标模型，得到对应的重构数据，并计算目标领域的数据和与其对应的重构数据之间的目标重构误差；

从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

将待检测数据输入目标模型，得到对应的重构数据，计算待检测数据和与其对应的重构数据之间的待测重构误差；

将待测重构误差与阈值K进行大小比对，判断待测数据是否异常。

在对上述异常检测模型进行优化时，添加了随机失活层，在计算重构误差时，将随机失活层中Keep-prob设置为1。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.机器设备异常检测模型构建方法，其特征在于包括如下步骤：

基于Tensorflow学习框架构建异常检测模型，所述异常检测模型包括输入层、输出层和多个隐藏层；

获取旧机器设备数据为源领域，以源领域为输入、基于Dropout-SDA算法对所述异常检测模型进行参数优化，得到初始模型；

获取新机器设备数据为目标领域，以目标领域为输入、基于Dropout-SDA算法对所述初始模型进行参数微调，得到目标模型。

2.根据权利要求1所述的机器设备异常检测模型构建方法，其特征在于以源领域为输入、基于Dropout-SDA算法对所述异常检测模型进行参数优化，包括如下步骤：

以所述源领域的数据为原始输入数据，输入输入层；

通过迭代的方式逐个对隐藏层进行参数优化，输入所述第i个隐藏层的数据为输入数据x⁽ⁱ⁾，对第i个隐藏层进行参数优化的步骤包括：

通过所述第i个隐藏层的中编码参数θ_i对所述输入数据x⁽ⁱ⁾进行编码，得到编码数据y⁽ⁱ⁾；

添加随机失活层，通过所述随机失活层对所述第i个隐藏层进行节点失活处理，得到失活后第i个隐藏层；

通过所述失活后第i个隐藏层对所述编码数据y⁽ⁱ⁾进行计算，得到数据Y⁽ⁱ⁾；

通过所述第i个隐藏层的中解码参数θ_i'对所述数据Y⁽ⁱ⁾进行解码，得到与所述输入数据x⁽ⁱ⁾对应的重构数据z⁽ⁱ⁾；

基于所述输入数据x⁽ⁱ⁾和所述重构数据z⁽ⁱ⁾构建损失函数，并通过AdaGrad优化算法对所述损失函数进行优化，得到所述第i个隐藏层中编码参数θ_i和解码参数θ_i'的初值；

其中，输入第一个隐藏层的数据为通过输入层输出的原始输入数据；除第一个隐藏层之外，输入第i+1个隐藏层的数据为y⁽ⁱ⁾。

3.根据权利要求2所述的机器设备异常检测模型构建方法，其特征在于在输入层通过噪声函数为原始输入数据添加噪声，得到具有噪声的数据；

输入第一个隐藏层的数据为通过输入层输出的具有噪声的原始输入数据。

4.根据权利要求1所述的机器设备异常检测模型构建方法，其特征在于以目标领域为输入、基于Dropout-SDA算法对所述初始模型进行参数微调，包括如下步骤：

通过迭代的方式逐个对隐藏层进行参数微调，输入所述第i个隐藏层的数据为输入数据x⁽ⁱ⁾，对第i个隐藏层进行参数微调的步骤包括：

通过所述第i个隐藏层的中编码参数θ_i对所述输入数据x⁽ⁱ⁾进行编码，得到编码数据y⁽ⁱ⁾；

添加随机失活层，通过所述随机失活层对所述第i个隐藏层进行节点失活处理，得到失活后第i个隐藏层；

通过所述失活后第i个隐藏层对所述编码数据y⁽ⁱ⁾进行计算，得到数据Y⁽ⁱ⁾；

通过所述第i个隐藏层的中解码参数θ_i'对所述数据Y⁽ⁱ⁾进行解码，得到与所述输入数据x⁽ⁱ⁾对应的重构数据z⁽ⁱ⁾；

基于所述输入数据x⁽ⁱ⁾和所述重构数据z⁽ⁱ⁾构建损失函数，并通过AdaGrad优化算法对所述损失函数进行优化，得到所述第i个隐藏层中编码参数θ_i和解码参数θ_i'的初值；

所述对隐藏层进行参数微调过程中，输入第一个隐藏层的数据为目标领域的数据；除第一个隐藏层之外，输入第i+1个隐藏层的数据为y⁽ⁱ⁾。

5.根据权利要求2、3或4所述的机器设备异常检测模型构建方法，其特征在于通过AdaGrad优化算法对所述损失函数进行优化过程中，所述损失函数为平方损失函数，所述平方损失函数计算公式为：

其中，输入数据x和重构数据z均为一维向量，组成样本；m表示样本总数，k表示样本数据的维度；i表示第几个样本，j表示样本数据的第几个维度。

6.根据权利要求5所述的机器设备异常检测模型构建方法，其特征在于通过AdaGrad优化算法对所述损失函数进行优化过程中，AdaGrad优化算法计算公式为：

其中，t表示第t时间步；

Θ_t+1,i表示在t+1轮迭代时，第i个编码参数的参数值，

α表示初始化的学习率，

g_t,i表示在t轮迭代时，第i个编码参数的梯度，

G_t,ii表示第t轮迭代的对角矩阵，ii表示对角位置，为编码参数θ_i从第一轮迭代到第t轮迭代梯度的平方和；

ε表示平滑顶，用于避免分母为0。

7.机器设备异常检测方法，其特征在于包括如下步骤：

通过如权利要求1-6任一项所述的机器设备异常检测模型构建方法构建机器设备异常检测模型，得到目标模型；

通过所述目标模型判断待检测数据是否异常。

8.根据权利要求7所述的机器设备异常检测方法，其特征在于通过所述目标模型判断待检测数据是否异常，包括如下步骤：

将所述源领域的数据输入所述目标模型，得到对应的重构数据，并计算所述源领域的数据和与其对应的重构数据之间的源重构误差；

将所述目标领域的数据输入所述目标模型，得到对应的重构数据，并计算所述目标领域的数据和与其对应的重构数据之间的目标重构误差；

从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

将待检测数据输入所述目标模型，得到对应的重构数据，计算所述待检测数据和与其对应的重构数据之间的待测重构误差；

将所述待测重构误差与所述阈值K进行大小比对，判断所述待测数据是否异常。

9.机器设备异常检测模型，其特征在于所述机器设备异常检测模型为通过如权利要求1-6任一项所述的机器设备异常检测模型构建方法得到的目标模型。

10.机器设备异常检测模型，其特征在于所述目标模型用于通过如下步骤对机器设备进行异常检测：

将所述源领域的数据输入所述目标模型，得到对应的重构数据，并计算所述源领域的数据和与其对应的重构数据之间的源重构误差；

将所述目标领域的数据输入所述目标模型，得到对应的重构数据，并计算所述目标领域的数据和与其对应的重构数据之间的目标重构误差；

从上述源重构误差和目标重构误差中选取取值较大的为阈值K；

将待检测数据输入所述目标模型，得到对应的重构数据，计算所述待检测数据和与其对应的重构数据之间的待测重构误差；

将所述待测重构误差与所述阈值K进行大小比对，判断所述待测数据是否异常。