CN112559598B - 一种基于图神经网络的遥测时序数据异常检测方法及系统 - Google Patents

一种基于图神经网络的遥测时序数据异常检测方法及系统 Download PDF

Info

Publication number
CN112559598B
CN112559598B CN202011488702.0A CN202011488702A CN112559598B CN 112559598 B CN112559598 B CN 112559598B CN 202011488702 A CN202011488702 A CN 202011488702A CN 112559598 B CN112559598 B CN 112559598B
Authority
CN
China
Prior art keywords
data
telemetering
mahalanobis distance
telemetry
detected
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011488702.0A
Other languages
English (en)
Other versions
CN112559598A (zh
Inventor
皮德常
谢凌强
喻文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011488702.0A priority Critical patent/CN112559598B/zh
Publication of CN112559598A publication Critical patent/CN112559598A/zh
Application granted granted Critical
Publication of CN112559598B publication Critical patent/CN112559598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于图神经网络的遥测时序数据异常检测方法及系统，方法包括：训练图神经网络遥测时序数据预测模型；利用小波方差计算待测遥测时序数据的周期；得到预测遥测时序数据；确定预测周期数据；计算当前时刻的待测遥测数据和其预测数据之间的第一马氏距离；计算之前时刻的待测遥测数据和其预测周期数据之间的第二马氏距离；计算第二马氏距离的平均值和方差；将平均值和方差进行放大设置阈值；根据第一马氏距离和阈值判断当前时刻的待测遥测数据是否异常。本发明通过图神经网络遥测时序数据预测模型学习多维时序数据之间的依赖关系，并通过周期窗口的动态阈值法对待测遥测时序数据进行异常检测，提高了遥测时序数据异常检测的准确性。

Description

一种基于图神经网络的遥测时序数据异常检测方法及系统
技术领域
本发明涉及遥测时序数据异常检测技术领域，特别是涉及一种基于图神经网络的遥测时序数据异常检测方法及系统。
背景技术
卫星是一个庞大、复杂的高精度控制系统，并且众多分系统和子系统存在耦合与交错。近年来，随着航天技术的发展，对卫星运行的稳定性和可靠性要求越来越高。卫星在轨运行的空间环境十分恶劣，一旦卫星发生在轨故障，若不及时处理则可能导致系统服务、可用性变差，甚至无法使用，带来巨大的经济损失。及时有效的异常检测和故障定位能保障卫星安全可靠的运行，因此卫星故障诊断系统在卫星管理过程中发挥着愈来愈重要的作用。其中，卫星遥测时序数据流异常检测可以对卫星的故障进行早期预警，是其中最为关键的一部分，因此，针对卫星遥测时序数据异常检测具有重要意义。
国内外已经有了一些关于遥测时序数据异常检测的研究成果，根据异常检测的算法原理，异常检测算法大体可以分为五类：基于聚类的方法、基于分类的方法、基于邻域的方法、基于统计的方法和基于回归的方法。由于卫星数据具有数据量大、有噪声、变化缓慢和维度高等特点，而深度学习对于处理高维数据效果很好，深度学习方法开始大量用于异常检测领域。
但是这些深度学习方法仍然存在一些缺陷，目前异常检测领域中的深度学习算法模型大多数都忽视了变量之间和时间序列之间潜在的相互依赖性，即每时刻的卫星某一参数不仅仅取决于它的历史数据，还与其它参数存在依赖性，不考虑它们的依赖性对预测模型精度会造成严重的影响，例如向量自回归模型和高斯过程模型是通过假设变量存在线性相关性，但是当针对非线性模式数据效果就会变差。
发明内容
本发明的目的是提供一种基于图神经网络的遥测时序数据异常检测方法及系统，以提高遥测时序数据异常检测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于图神经网络的遥测时序数据异常检测方法，包括：
对历史遥测时序数据进行预处理，得到预处理后的历史数据；
通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型；
利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据；
利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据；
根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据；
计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离；
计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据；
计算所述第二马氏距离的平均值和方差；
将所述平均值和所述方差进行放大设置阈值；
根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
可选地，所述对历史遥测时序数据进行预处理，得到预处理后的历史数据，具体包括：
对所述历史遥测时序数据进行清洗、归一化处理、小波去噪以及灰色关联度分析，得到预处理后的历史数据。
可选地，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。
可选地，所述待测遥测时序数据的的小波方差计算公式如下：
Figure BDA0002840100730000031
其中，Var(a)为待测遥测时序数据的小波方差，Wf(a,b)为小波变换系数，a为伸缩尺度因子，b为平移因子，d为积分。
可选地，所述第一马氏距离的计算公式如下：
Figure BDA0002840100730000032
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure BDA0002840100730000033
为经过训练好的预测模型的第i个时刻的数据记录，
Figure BDA0002840100730000034
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
可选地，所述阈值的计算公式如下：
threshold(t)＝k1μY+k2σY
其中，threshold(t)为t时刻的阈值，μY为平均值，σY为方差，Y为第二马氏距离构成的数据集，k1为平均值的放大倍数，k2为方差的放大倍数。
一种基于图神经网络的遥测时序数据异常检测系统，包括：
预处理模块，用于对历史遥测时序数据进行预处理，得到预处理后的历史数据；
训练模块，用于通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型；
第一计算模块，用于利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据；
预测模块，用于利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据；
预测周期数据确定模块，用于根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据；
第二计算模块，用于计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离；
第三计算模块，用于计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据；
第四计算模块，用于计算所述第二马氏距离的平均值和方差；
阈值设置模块，用于将所述平均值和所述方差进行放大设置阈值；
判断模块，用于根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
可选地，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。
可选地，所述待测遥测时序数据的的小波方差计算公式如下：
Figure BDA0002840100730000041
其中，Var(a)为待测遥测时序数据的小波方差，Wf(a,b)为小波变换系数，a为伸缩尺度因子，b为平移因子，d为积分。
可选地，所述第一马氏距离的计算公式如下：
Figure BDA0002840100730000042
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure BDA0002840100730000043
为经过训练好的预测模型的第i个时刻的数据记录，
Figure BDA0002840100730000044
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过图神经网络遥测时序数据预测模型学习多维时序数据之间的依赖关系，并通过周期窗口的动态阈值法对待测遥测时序数据进行异常检测，提高了遥测时序数据异常检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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。
图1为本发明实施例提供的基于图神经网络的遥测时序数据异常检测方法的流程图；
图2为本发明实施例提供的基于图神经网络的遥测时序数据异常检测方法原理图一；
图3为本发明实施例提供的基于图神经网络的遥测时序数据异常检测方法原理图二；
图4为本发明实施例提供的小波去噪流程示意图；
图5为本发明实施例提供的图神经网络遥测时序数据预测模型训练过程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于图神经网络的遥测时序数据异常检测方法及系统，以提高遥测时序数据异常检测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-3所示，基于图神经网络的遥测时序数据异常检测方法包括：
步骤101：对历史遥测时序数据进行预处理，得到预处理后的历史数据。具体包括：
对所述历史遥测时序数据进行清洗、归一化处理、小波去噪以及灰色关联度分析，得到预处理后的历史数据。其中，小波去噪采用全局统一阈值
Figure BDA0002840100730000051
σ＝MAD/0.6745，MAD是首层小波分解系数绝对值的中间值，0.6745是高斯噪声标准方差的调整系数，N是信号的尺度。图4为本发明实施例提供的小波去噪流程示意图。
步骤102：通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型。其中，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。如图5所示，训练过程如下：
(1)将历史数据输入图神经网络遥测时序数据预测模型，图形学习层采用抽样的方法计算每批次节点之间的关系，学习邻接矩阵，节点之间关系计算公式如下所示：
N1＝tanh(βE1θ1)
N2＝tanh(βE2θ2)
Figure BDA0002840100730000061
其中，E1和E2表示节点，θ1和θ2表示学习过程中的模型参数，ReLU表示线性整流函数，N1和N2表示过度变量，B表示学习得到的邻接矩阵，β表示超参数。从计算公式中可以看出节点之间的关系是单向的。
(2)图形卷积层提取图中节点之间的空间特征，将节点信息和其邻居信息相融合。
(3)时间卷积层采用1D卷积滤波器提取时间特征，获取遥测时序数据的序列模式。
(4)保存训练过程误差最小的模型。
步骤103：利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据。小波方差图的最高点为待测遥测时序数据的周期。小波方差的计算公式如下：
Figure BDA0002840100730000062
其中，Var(a)为待测遥测时序数据的小波方差，a为伸缩尺度因子，b为平移因子，d为积分，Wf(a,b)为小波变换系数，
Figure BDA0002840100730000063
Figure BDA0002840100730000064
为ψ(t)的共轭函数，ψ(t)为基小波函数，R为实数集，t为时刻，f(t)为信号函数。
步骤104：利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据。
步骤105：根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据。
步骤106：计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离。其中，所述第一马氏距离的计算公式如下：
Figure BDA0002840100730000065
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure BDA0002840100730000071
为经过训练好的预测模型的第i个时刻的数据记录，
Figure BDA0002840100730000072
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
步骤107：计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据。
步骤108：计算所述第二马氏距离的平均值和方差；
步骤109：将所述平均值和所述方差进行放大设置阈值；所述阈值的计算公式如下：
threshold(t)＝k1μY+k2σY
其中，threshold(t)为t时刻的阈值，μY为平均值，σY为方差，Y为第二马氏距离构成的数据集，k1为平均值的放大倍数，k2为方差的放大倍数。
步骤110：根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
本实施例还提供了一种基于图神经网络的遥测时序数据异常检测系统，系统包括：
预处理模块，用于对历史遥测时序数据进行预处理，得到预处理后的历史数据。
训练模块，用于通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型。
第一计算模块，用于利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据。
预测模块，用于利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据。
预测周期数据确定模块，用于根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据。
第二计算模块，用于计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离。
第三计算模块，用于计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据。
第四计算模块，用于计算所述第二马氏距离的平均值和方差。
阈值设置模块，用于将所述平均值和所述方差进行放大设置阈值。
判断模块，用于根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
进一步地，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。
进一步地，所述待测遥测时序数据的的小波方差计算公式如下：
Figure BDA0002840100730000081
其中，Var(a)为待测遥测时序数据的小波方差，Wf(a,b)为小波变换系数，a为伸缩尺度因子，b为平移因子，d为积分。
进一步地，所述第一马氏距离的计算公式如下：
Figure BDA0002840100730000082
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure BDA0002840100730000083
为经过训练好的预测模型的第i个时刻的数据记录，
Figure BDA0002840100730000084
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
本实施例还可以通过以下代码实现：
输入:
训练集O；
测试集G；
节点集V；
批次大小b；
步长s；
学习率γ；
输出:
测试集异常检测集合Se；
Figure BDA0002840100730000085
Figure BDA0002840100730000091
Figure BDA0002840100730000101
本发明提供的基于图神经网络的无领域知识、动态阈值遥测时序数据异常检测方法及系统，是无监督的遥测时序数据异常检测方法及系统。传统的图神经网络需要明确定义图的结构，不能学习多维时间序列之间的依赖关系。本发明中的图形学习层，自适应将多维遥测时序数据学习为图邻接矩阵，用一种新颖的方法学习多维遥测时间序列数据之间的依赖关系，即变量之间和时间序列之间的潜在依赖性，将多维遥测时序数据转化为图。采用马氏距离计算样本异常得分，遥测时序数据采集过程中不确定干扰比较多，异常得分往往峰值比较多，并且卫星围绕地球旋转，卫星数据往往具有周期性，因此本文采用基于周期窗口的动态阈值法对卫星时序数据流异常检测，避免了遥测时序数据采集过程中的不确定干扰影响。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于图神经网络的遥测时序数据异常检测方法，其特征在于，包括：
对历史遥测时序数据进行预处理，得到预处理后的历史数据；
通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型；
利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据；
利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据；
根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据；
计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离；
计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据；
计算所述第二马氏距离的平均值和方差；
将所述平均值和所述方差进行放大设置阈值；
根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
2.根据权利要求1所述的基于图神经网络的遥测时序数据异常检测方法，其特征在于，所述对历史遥测时序数据进行预处理，得到预处理后的历史数据，具体包括：
对所述历史遥测时序数据进行清洗、归一化处理、小波去噪以及灰色关联度分析，得到预处理后的历史数据。
3.根据权利要求1所述的基于图神经网络的遥测时序数据异常检测方法，其特征在于，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。
4.根据权利要求1所述的基于图神经网络的遥测时序数据异常检测方法，其特征在于，所述待测遥测时序数据的小波方差计算公式如下：
Figure FDA0002840100720000021
其中，Var(a)为待测遥测时序数据的小波方差，Wf(a,b)为小波变换系数，a为伸缩尺度因子，b为平移因子，d为积分。
5.根据权利要求1所述的基于图神经网络的遥测时序数据异常检测方法，其特征在于，所述第一马氏距离的计算公式如下：
Figure FDA0002840100720000022
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure FDA0002840100720000023
为经过训练好的预测模型的第i个时刻的数据记录，
Figure FDA0002840100720000024
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
6.根据权利要求1所述的基于图神经网络的遥测时序数据异常检测方法，其特征在于，所述阈值的计算公式如下：
threshold(t)＝k1μY+k2σY
其中，threshold(t)为t时刻的阈值，μY为平均值，σY为方差，Y为第二马氏距离构成的数据集，k1为平均值的放大倍数，k2为方差的放大倍数。
7.一种基于图神经网络的遥测时序数据异常检测系统，其特征在于，包括：
预处理模块，用于对历史遥测时序数据进行预处理，得到预处理后的历史数据；
训练模块，用于通过所述历史数据训练图神经网络遥测时序数据预测模型，得到训练好的预测模型；
第一计算模块，用于利用小波方差计算待测遥测时序数据的周期；所述待测遥测时序数据包括多个时刻的待测遥测数据；
预测模块，用于利用所述训练好的预测模型对所述待测遥测时序数据进行预测，得到预测遥测时序数据；所述预测遥测时序数据包括多个时刻的所述待测遥测数据的预测数据；
预测周期数据确定模块，用于根据所述待测遥测时序数据的周期以及多个时刻的所述待测遥测数据的预测数据确定预测周期数据；
第二计算模块，用于计算当前时刻的待测遥测数据和所述当前时刻的待测遥测数据的预测数据之间的马氏距离，记为第一马氏距离；
第三计算模块，用于计算之前时刻的待测遥测数据和所述之前时刻的待测遥测数据的预测周期数据之间的马氏距离，记为第二马氏距离；所述之前时刻的待测遥测数据包括上一时刻的待测遥测数据；
第四计算模块，用于计算所述第二马氏距离的平均值和方差；
阈值设置模块，用于将所述平均值和所述方差进行放大设置阈值；
判断模块，用于根据所述第一马氏距离和所述阈值判断所述当前时刻的待测遥测数据是否异常。
8.根据权利要求7所述的基于图神经网络的遥测时序数据异常检测系统，其特征在于，所述图神经网络遥测时序数据预测模型包括图形学习层、图形卷积层以及时间卷积层。
9.根据权利要求7所述的基于图神经网络的遥测时序数据异常检测系统，其特征在于，所述待测遥测时序数据的小波方差计算公式如下：
Figure FDA0002840100720000031
其中，Var(a)为待测遥测时序数据的小波方差，Wf(a,b)为小波变换系数，a为伸缩尺度因子，b为平移因子，d为积分。
10.根据权利要求7所述的基于图神经网络的遥测时序数据异常检测系统，其特征在于，所述第一马氏距离的计算公式如下：
Figure FDA0002840100720000041
其中，REScore(i)为第i个时刻的第一马氏距离，x(i)为第i个时刻的数据记录，
Figure FDA0002840100720000042
为经过训练好的预测模型的第i个时刻的数据记录，
Figure FDA0002840100720000043
为数据集的协方差矩阵的逆矩阵，X为待测遥测数据集。
CN202011488702.0A 2020-12-16 2020-12-16 一种基于图神经网络的遥测时序数据异常检测方法及系统 Active CN112559598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011488702.0A CN112559598B (zh) 2020-12-16 2020-12-16 一种基于图神经网络的遥测时序数据异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011488702.0A CN112559598B (zh) 2020-12-16 2020-12-16 一种基于图神经网络的遥测时序数据异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN112559598A CN112559598A (zh) 2021-03-26
CN112559598B true CN112559598B (zh) 2021-12-21

Family

ID=75064166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011488702.0A Active CN112559598B (zh) 2020-12-16 2020-12-16 一种基于图神经网络的遥测时序数据异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN112559598B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485302B (zh) * 2021-07-20 2022-06-21 山东大学 基于多元时序数据的车辆运行过程故障诊断方法及系统
CN115021956A (zh) * 2022-04-20 2022-09-06 哈尔滨工业大学（威海） 一种基于云边协同的多维时间序列异常检测方法及系统
US11928629B2 (en) 2022-05-24 2024-03-12 International Business Machines Corporation Graph encoders for business process anomaly detection

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018018411A (ja) * 2016-07-29 2018-02-01 キヤノンマーケティングジャパン株式会社 情報処理装置、情報処理方法、プログラム
CN110400005A (zh) * 2019-06-28 2019-11-01 阿里巴巴集团控股有限公司 业务指标的时间序列预测方法、装置及设备
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111538794A (zh) * 2020-04-24 2020-08-14 支付宝(杭州)信息技术有限公司 一种数据融合方法、装置及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018018411A (ja) * 2016-07-29 2018-02-01 キヤノンマーケティングジャパン株式会社 情報処理装置、情報処理方法、プログラム
CN110400005A (zh) * 2019-06-28 2019-11-01 阿里巴巴集团控股有限公司 业务指标的时间序列预测方法、装置及设备
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111538794A (zh) * 2020-04-24 2020-08-14 支付宝(杭州)信息技术有限公司 一种数据融合方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遥测数据动态特征的卫星异常检测方法;李维铮等;《空间科学学报》;20141231;第34卷(第2期);第201-207页 *

Also Published As

Publication number Publication date
CN112559598A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112559598B (zh) 一种基于图神经网络的遥测时序数据异常检测方法及系统
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN111861272B (zh) 一种基于多源数据的复杂机电系统异常状态检测方法
CN111241744B (zh) 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN111914875A (zh) 一种基于贝叶斯lstm模型的旋转机械的故障预警方法
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
CN113076975A (zh) 一种基于无监督学习的大坝安全监测数据异常检测方法
CN113567131B (zh) 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
US20230273093A1 (en) Method and device for fault diagnosis of wind turbine pitch bearing based on neural network
CN115412455A (zh) 一种基于时间序列的服务器多性能指标异常检测方法及装置
CN111815806A (zh) 一种基于野值剔除和特征提取的飞参数据预处理方法
CN115484102A (zh) 一种面向工业控制系统的异常检测系统和方法
Zhang et al. Rotating machinery remaining useful life prediction scheme using deep-learning-based health indicator and a new RVM
Wang et al. A hidden semi-markov model with duration-dependent state transition probabilities for prognostics
Pan et al. High-precision bearing signal recovery based on signal fusion and variable stepsize forward-backward pursuit
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN111291918B (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
CN117470529A (zh) 一种过程控制系统阀门静摩擦故障检测方法及系统
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
Sambana et al. Performance validation of wind turbines using machine learning methodologies
CN114077850A (zh) 一种变工况下的基于图数据的旋转机械设备状态监测方法
CN113051809A (zh) 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法
CN113449465A (zh) 一种用于滚动轴承的寿命预测方法
Wu et al. Network Construction for Bearing Fault Diagnosis Based on Double Attention Mechanism
CN114676717A (zh) 轴承剩余寿命预测方法、装置和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant