CN111861272A - 一种基于多源数据的复杂机电系统异常状态检测方法 - Google Patents

Abstract

一种基于多源数据的复杂机电系统异常检测方法，首先采用去趋势互相关分析(DCCA)定量分析多维变量间的相关关系，构建以变量间耦合关系为边、监测变量为节点的复杂系统多变量耦合关系网络；在此基础上，建立基于无监督学习的变分图自编码模型，对系统多变量耦合关系网络进行特征提取，使用正常数据训练该模型，图卷积网络作为编码器学习输入数据的分布，采样获得其潜在表示以实现耦合网络的重构，通过训练样本获得重建概率阈值，采用重建概率作为系统多维多态监测数据异常检测评价指标；本发明考虑多源数据间的耦合关系，引入变分图自编码器模型，降低经验依赖性并克服异常样本少的问题，提高了系统异常检测的准确性和可靠性。

Description

一种基于多源数据的复杂机电系统异常状态检测方法

技术领域

本发明涉及复杂机电系统异常检测技术领域，尤其涉及一种基于多源监测数据的复杂机电系统异常检测方法。

背景技术

传统的复杂机电系统异常检测主要采用阈值报警与人为判断，经验依赖性强，准确率低，误判、漏检率高。

近年来，随着复杂机电装备自动化程度和信息集成度的日益提高,复杂机电系统运行状态数据量激增，系统级设备所配备的代表性的DCS、TSI和SCADA等各种监测系统所采集数据具备多源、海量、异常缺乏、无标签等特点。数据驱动的异常检测方法被广泛应用于工业领域系统及零部件的状态识别，成为克服传统异常检测方法经验依赖性强、准确率低、误判漏检率高等缺陷的有效途径。

目前基于深度学习的异常检测方法均未考虑系统各监测变量间存在的复杂耦合关系，局限于利用单一变量或多变量简单叠加进行异常检测或故障识别，对系统运行状态敏感性低，计算结果的可靠性难以满足工业时序数据异常检测的需求。

发明内容

为了克服人为提取特征指标检测方法经验依赖性的缺点，本发明的目的在于提供一种基于多源监测数据的复杂机电系统异常检测方法，引入重建概率作为异常指标，提升方法异常检测的鲁棒性和准确性，对系统运行状态敏感性高，计算结果可靠。

为了达到上述目的，本发明采用以下技术方案：

一种基于多源数据的复杂机电系统异常检测方法，包括以下步骤：

(1)获取数据采集系统采集到的机电设备多源状态变量，所述数据包括温度、压力、振动数据；

(2)采用非平稳非线性序列间相关性分析方法对所述多源状态变量两两序列间的耦合关系进行定量分析，得到系统多变量耦合关系矩阵；

(3)将所述多源状态变量抽象为网络的节点，将所述多源状态变量两两序列间的耦合关系抽象为网络的边，从而构建出系统多变量耦合关系网络，以网络形式实现对系统状态的准确描述；

(4)基于耦合关系网络构建变分图自编码器，使用正常状态下耦合关系网络作为训练样本训练模型，对所述耦合关系网络进行特征提取，通过重构原始耦合关系网络，得出正常状态下的重建概率作为异常检测评价指标，并确定重建概率阈值；

(5)将测试样本输入所述模型，重构所述测试样本，得出测试样本重建概率，与步骤(4)所得阈值对比，实现异常检测。

步骤(2)中所述的非平稳非线性序列间相关性分析方法包括去趋势互相关分析(DCCA)方法、去趋势协方差函数分析方法或皮尔逊相关系数法。

步骤(4)中所述的基于耦合关系网络的变分图自编码器是通过一个两层图卷积网络作为编码器学习输入耦合关系网络的分布，进而从所述分布中采样得到潜在变量，有效提取所述耦合关系网络特征，然后利用所述潜在变量通过内积重构原始耦合关系网络，计算重构的耦合关系网络属于所述分布的概率，该概率称为重建概率。

步骤(4)中所述变分图自编码器的训练过程如下：

给定正常状态下的多源监测变量X＝{x₁，x₂，x₃，...，x_n}和步骤(2)所述方法计算得到的多变量耦合关系矩阵A，作为训练样本：

其中，a_ij是变量x_i和x_j的耦合度。

使用图卷积网络(GCN)学习训练样本所属的分布，模型假设目标分布为高斯分布，高斯分布可以唯一地由二阶矩确定，因此在变分图自编码模型中利用GCN来计算均值和方差：

μ＝GCN_μ(X，A)；logσ＝GCN_σ(X，A)

其中，W₀，W₁是待学习的权重参数，GCN_μ和GCN_σ中共享第一层参数W₀，第二层参数W₁不共享；A是邻接矩阵；X是节点特征矩阵；D是A的度矩阵，即D_ij＝∑_jA_ij。

根据均值和方差确定所述训练样本的专属分布并从中采样得到潜在变量Z：

采用所述潜在变量Z的内积作为解码器，得到所述训练样本的重建概率：

所述变分图自编码器希望重构出的图与原始图尽可能相似的同时希望GCN计算出的分布与标准高斯分布尽可能相似。因此，损失函数由交叉熵损失函数和KL散度两部分构成：

执行批量梯度下降，并利用重新参数化技巧进行训练。

步骤(4)中所述的重建概率阈值的确定方法如下：

R＝E_q(Z|X，A)[log p(A|Z)]

其中，R是重建概率；

通过对重建概率计算其指数加权移动平均值(EWMA)设定阈值：

系统的EWMA基于时间t的下限函数为：

其中，μ_R是训练集重建概率R的均值；σ_R是训练集R的标准差；n_S是采样长度；z取2。

当L_L＜L_L(t)时，判断系统发生异常。

本发明的优点为：

本发明采用的基于多变量耦合关系网络的变分图自编码器，充分利用系统大量实时监测数据，构建系统多变量耦合关系网络，能够充分挖掘多维多态时序数据间的关联关系，摆脱了以往数据驱动方法无法建立多源数据间关联关系的缺陷；在此基础上，实现智能提取耦合网络深层特征的目的，克服了人为提取特征指标检测方法经验依赖性的缺点；引入重建概率作为异常指标，提升方法异常检测的鲁棒性和准确性。

附图说明

图1是本发明对汽轮机转子系统异常状态检测的效果图。

图2是本发明中的耦合关系网络，其中图2(a)、图2(b)是正常状态下的耦合关系网络；图2(c)、图2(d)是异常状态下的耦合关系网络。

图3是本发明中的变分图自编码器。

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，本发明的实施例以及实施例中的技术特征可以相互结合。

实施例一

本实施例提供了一种基于多源数据的复杂机电系统异常检测方法，包括如下步骤：

(1)获取数据采集系统采集到的机电设备多源状态变量，所述数据包括温度、压力、振动数据；

(2)采用非平稳非线性序列间相关性分析方法(包括去趋势互相关分析(DCCA)方法、去趋势协方差函数分析方法、皮尔逊相关系数法)对所述多源变量两两序列间的耦合关系进行定量分析，得到系统多变量耦合关系矩阵；

(3)如图2所示，将所述系统多源变量抽象为网络的节点，将所述多源变量两两间的耦合关系抽象为网络的边，从而构建出系统多变量耦合关系网络，以网络形式实现对系统状态的准确描述；

(4)基于耦合关系网络构建变分图自编码器，使用正常状态下耦合关系网络作为训练样本训练模型，对所述耦合关系网络进行特征提取，具体通过一个两层图卷积网络作为编码器学习输入耦合关系网络的分布，进而从所述分布中采样得到潜在变量，有效提取所述耦合关系网络特征，然后利用所述潜在变量通过内积重构原始耦合关系网络，计算重构的耦合关系网络属于所述分布的概率，该概率称为重建概率。使用正常状态下的重建概率作为异常检测评价指标，确定重建概率阈值。计算过程如下：

(4.1)变分图自编码器模型训练过程如下：

给定正常状态下的多源监测变量X＝{x₁，x₂，x₃，...，x_n}和步骤(2)所述方法计算得到的多变量耦合关系矩阵A，作为训练样本：

其中，a_ij是变量x_i和x_j的耦合度。

使用图卷积网络(GCN)学习训练样本所属的分布，模型假设目标分布为高斯分布，高斯分布可以唯一地由二阶矩确定，因此在变分图自编码模型中利用GCN来计算均值和方差：

μ＝GCN_μ(X，A)；logσ＝GCN_σ(X，A)

其中，W₀，W₁是待学习的权重参数，GCN_μ和GCN_σ中共享第一层参数W₀，第二层参数W₁不共享；A是邻接矩阵；X是节点特征矩阵；D是A的度矩阵，即D_ij＝∑jA_ij。

根据均值和方差确定所述训练样本的专属分布并从中采样得到潜在变量Z：

采用所述潜在变量Z的内积作为解码器，得到所述训练样本的重建概率：

所述变分图自编码器希望重构出的图与原始图尽可能相似的同时希望GCN计算出的分布与标准高斯分布尽可能相似。因此，损失函数由交叉熵损失函数和KL散度两部分构成：

执行批量梯度下降，并利用重新参数化技巧进行训练。

(4.2)重建概率阈值确定方法如下：

R＝E_q(Z|X，A)[log p(A|Z)]

其中，R是重建概率。

通过对重建概率计算其指数加权移动平均值(EWMA)设定阈值：

系统的EWMA基于时间t的下限函数为：

其中，μ_R是训练集重建概率R的均值；σ_R是训练集R的标准差；n_S是采样长度；z取2。

(5)将测试样本输入所述模型，重构所述测试样本，得出测试样本重建概率，与步骤(4)所得阈值对比，实现异常检测。

当L_L＜L_L(t)时，判断系统发生异常。

实施例二

下面结合汽轮机转子系统异常状态检测，对本发明作进一步描述：

某火力发电厂汽轮机组转子系统DCS多源监测数据一共包括33列时间序列数据，涵盖了温度、压力多个物理量，根据测点位置去除冗余数据，最终采用17组状态变量进行异常检测。

将该电厂2017年2-4月连续3个月的正常历史数据作为训练集，2017年5-7月数据作为验证集，数据样本采样间隔为1min，训练集总计129600个数据点，验证集总计132480个数据点。

使用本发明的方法，选取时间窗口T＝1440，步长选为S＝10进行滑动，采用去趋势互相关分析对训练集和验证集数据进行序列间相关性分析，得到一系列所述状态变量两两间的耦合关系矩阵。

如图2所示，将所述系统多源变量抽象为网络的节点，将所述多源变量两两间的耦合关系抽象为网络的边，从而构建出一系列系统多变量耦合关系网络。

使用所述多变量耦合关系网络对变分图自编码模型进行训练，训练200次迭代，学习率设为0.01，使用32维隐藏层。

根据训练样本的重建概率，使用指数加权移动平均法计算重建概率阈值。

将测试样本输入所述模型得出测试样本重建概率与所述重建概率阈值对比，当测试样本重建概率小于阈值时，判定系统状态异常。

图1是使用本发明方法对某电厂汽轮机转子系统异常状态检测的效果图。可以看出，该方法能够有效地检测出异常状态。

以上实施例仅用以说明本发明的技术方案，而非对其限制；本领域技术人员会理解：尽管通过以上实施例对本发明进行了较为详细的说明，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于多源数据的复杂机电系统异常检测方法，其特征在于，包括以下步骤：

(1)获取数据采集系统采集到的机电设备多源状态变量，所述数据包括温度、压力、振动数据；

(2)采用非平稳非线性序列间相关性分析方法对所述多源状态变量两两序列间的耦合关系进行定量分析，得到系统多变量耦合关系矩阵；

(3)将所述多源状态变量抽象为网络的节点，将所述多源状态变量两两序列间的耦合关系抽象为网络的边，从而构建出系统多变量耦合关系网络，以网络形式实现对系统状态的准确描述；

(4)基于耦合关系网络构建变分图自编码器，使用正常状态下耦合关系网络作为训练样本训练模型，对所述耦合关系网络进行特征提取，通过重构原始耦合关系网络，得出正常状态下的重建概率作为异常检测评价指标，并确定重建概率阈值；

(5)将测试样本输入所述模型，重构所述测试样本，得出测试样本重建概率，与步骤(4)所得阈值对比，实现异常检测。

2.根据权利要求1所述的一种基于多源数据的复杂机电系统异常检测方法，其特征在于，所述的步骤(2)中所述的非平稳非线性序列间相关性分析方法包括去趋势互相关分析DCCA方法、去趋势协方差函数分析方法或皮尔逊相关系数法。

3.根据权利要求1所述的一种基于多源数据的复杂机电系统异常检测方法，其特征在于，步骤(4)中所述的基于耦合关系网络的变分图自编码器是通过一个两层图卷积网络作为编码器学习输入耦合关系网络的分布，进而从所述分布中采样得到潜在变量，有效提取所述耦合关系网络特征，然后利用所述潜在变量通过内积重构原始耦合关系网络，计算重构的耦合关系网络属于所述分布的概率，该概率称为重建概率。

4.根据权利要求1所述的一种基于多源数据的复杂机电系统异常检测方法，其特征在于，步骤(4)中所述变分图自编码器的训练过程如下：

给定正常状态下的多源监测变量X＝{x₁,x₂,x₃,…,x_n}和步骤(2)所述方法计算得到的多变量耦合关系矩阵A，作为训练样本：

其中，a_ij是变量x_i和x_j的耦合度；

使用图卷积网络(GCN)学习训练样本所属的分布,模型假设目标分布为高斯分布，高斯分布可以唯一地由二阶矩确定，因此在变分图自编码模型中利用GCN来计算均值和方差：

μ＝GCN_μ(X,A)；logσ＝GCN_σ(X,A)

其中，W₀，W₁是待学习的权重参数，GCN_μ和GCN_σ中共享第一层参数W₀，第二层参数W₁不共享；A是邻接矩阵；X是节点特征矩阵；D是A的度矩阵，即D_ij＝∑jA_ij；

根据均值和方差确定所述训练样本的专属分布并从中采样得到潜在变量Z：

采用所述潜在变量Z的内积作为解码器，得到所述训练样本的重建概率：

所述变分图自编码器希望重构出的图与原始图尽可能相似的同时希望GCN计算出的分布与标准高斯分布尽可能相似；因此，损失函数由交叉熵损失函数和KL散度两部分构成：

执行批量梯度下降，并利用重新参数化技巧进行训练。

5.根据权利要求1所述的一种基于多源数据的复杂机电系统异常检测方法，其特征在于，步骤(4)中所述的重建概率阈值的确定方法如下：

R＝E_q(Z|X，A)[log p(AZ)]

其中，R是重建概率；

通过对重建概率计算其指数加权移动平均值(EWMA)设定阈值：

系统的EWMA基于时间t的下限函数为：

其中，μ_R是训练集重建概率R的均值；σ_R是训练集R的标准差；n_s是采样长度；z取2；

当L_L＜L_L(t)时，判断系统发生异常。

Images