CN112861071B - 一种基于深度自编码的高铁牵引系统异常检测方法 - Google Patents

Abstract

一种基于深度自编码的高铁牵引系统异常检测方法，它涉及深度学习异常检测和系统健康管理领域。本发明的目的是为了解决现有的异常检测方法准确率低以及不能给出异常严重程度和异常原因等异常描述信息的问题。本申请将系统检测指标之间的关联性和深度自编码网络结合，能够检测出异常严重的级别及确定发生异常的监测指标。它用于给出异常严重程度和检测出现异常的监测指标。

Description

一种基于深度自编码的高铁牵引系统异常检测方法

技术领域

本发明涉及高铁牵引系统异常检测方法。它涉及深度学习异常检测和系统健康管理领域。

背景技术

随着高铁规模快速发展，其高速准时的优点吸引了大量的旅客，但是其高速运行的同时也给人们带来了安全方面的风险。牵引系统作为其核心的部件之一，关系着高速动车组的正常启动、制动、调速及为辅助系统供电等功能，其出现故障将严重影响高铁牵引控制能力，导致列车牵引力不足、晚点及列车行驶中途下线等情况，甚至直接导致牵引力中断，很大程度破坏了乘客体验与高速铁路运营秩序。因此，研究高铁牵引系统异常检测方法有着重要的现实意义。

随着深度学习的发展与应用，基于深度学习的异常检测成为了研究热点。Hundman等人利用LSTM网络对系统时间序列数据进行预测，并根据真实值和预测值计算误差，将此误差与阈值进行比较，高于阈值则为异常，虽然最后取得了一定的有效结果，但是此方法针对系统的各个指标的时间序列单独建模，后期维护模型难度太大，而且也舍弃了指标之间的关联性。部分研究者也使用1D CNN进行时间序列异常检测与分类，但也是局限于处理1D数据。现有方法不能有效地处理牵引系统数据的时间依赖性和复杂关联性。

同时根据查阅资料，现有异常检测方法大都缺乏对异常的结果进行详细的描述，通常仅仅给出一个正常或者异常的结果。这远远不能满足系统操作员的要求，如果提出的异常检测方法能够提供一些描述异常情况的结果，例如异常的严重程度，异常的指标具体有哪些，这将极大减少系统操作员排查系统异常的时间并及时地修复异常。

发明内容

本发明的目的是为了解决现有的异常检测方法准确率低以及不能给出异常严重程度和异常原因等异常描述信息的问题。现提供一种基于深度自编码的高铁牵引系统异常检测方法。

一种基于深度自编码的高铁牵引系统异常检测方法，所述方法包括以下步骤：

步骤1、获取牵引系统各项监测指标的时间序列数据，将时间序列数据划分成不同的时间尺度，不同的时间尺度对应不同的异常严重级别，为每一个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到每个时刻的原始多尺度指标关联矩阵；

步骤2、使用深度自编码网络捕获原始多尺度指标关联矩阵的时间和空间关联性，根据原始多尺度指标关联矩阵的时间和空间关联性重建原始多尺度指标关联矩阵，得到每个时刻的重建多尺度指标关联矩阵；

步骤3、计算每个时刻的原始多尺度指标关联矩阵和重建多尺度指标关联矩阵的残差矩阵，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，判断每个时刻的总重建误差值是否超过预设值，如果是，则说明该时刻下牵引系统各项监测指标中存在异常，且异常出现在该时刻下的各尺度重建误差值中最大重建误差值对应的时间尺度内，异常严重级别为该时间尺度所属的级别，并在异常出现的时间尺度下将重建误差值超过预设误差值某行或者某列对应的监测指标作为异常指标，如果否，则说明该时刻下牵引系统各项监测指标正常。

优选地，步骤1中，将时间序列数据划分成不同的时间尺度，具体为：

获取牵引系统各项监测指标的时间序列数据，根据异常持续的时间的长短将牵引系统各项监测指标的时间序列数据分为三个时间尺度，三个时间尺度分别表示轻度异常、中度异常和重度异常三个级别。

优选地，步骤1中，为每个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵，具体为：

利用修改后的相关性函数计算每个时刻下各时间尺度内每两项监测指标的关联性，由同一时刻下每个时间尺度内每两项监测指标的关联性构成的集合构成一个时间尺度在该时刻的指标关联矩阵FAM，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵MSFAM，

其中，每个时间尺度的指标关联矩阵FAM表示为：

式中，n为监测指标的个数，FAM中任意元素r_ij表示第i个监测指标的时间序列X与第j个监测指标的时间序列Y的相关性，

其中，FAM中每个元素r_ij的计算方式如下：

式中，E(·)表示计算子时间序列的期望；σ_X表示计算X的方差；α根据X的期望或者Y的期望设置，

原始多尺度指标关联矩阵MSFAM，表示为：

MSFAM＝{FAM₁,FAM₂,...,FAM_s}，公式3，

式中，FAM_s为s个时间尺度下的指标关联矩阵，s为时间尺度的个数。

优选地，所述步骤2包括：

深度自编码网络包含卷积编码器、反卷积解码器和跳跃连接层，

将原始多尺度指标关联矩阵输入卷积编码器，经过卷积编码器中每一层网络学习得到空间特征信息；

将卷积编码器每一层网络输出的空间特征信息输入到对应的跳跃连接层，从空间特征信息中提取学习时间和空间特征信息；

反卷解码器中的每一层网络处理上一层反卷解码器的输出与本层的跳跃连接层输出的时间和空间特征信息，得到重建多尺度指标关联矩阵；

通过反卷解码器计算重建多尺度指标关联矩阵与原始多尺度指标关联矩阵的损失函数值，并根据所述损失函数值更新模型参数；

使用原始多尺度指标关联矩阵对经过参数更新的模型继续训练，直至损失函数不在变化时或迭代次数达到预设次数时，将训练完成的深度自编码网络模型确定为最终的深度学习模型，此时该模型输出的矩阵为最终的重构多尺度指标关联矩阵。

优选地，卷积编码器包括4层卷积神经网络。

优选地，跳跃连接层包括ConvLSTM网络以及注意力机制，

ConvLSTM网络，用于提取原始指标关联矩阵的时间和空间模式信息；

注意力机制，用于从提取的时间和空间模式信息中挑选需要的时间和空间模式信息。

优选地，损失函数值L(θ)表示为：

L(θ)＝||MSFAM-MSFAM′||²＝||MSFAM-g(f(MSFAM))||²， 公式3，

式中，MSFAM为原始多尺度指标关联矩阵；MSFAM′为重建多尺度指标关联矩阵，θ为网络参数，f(·)为卷积编码器对应的函数操作，g(·)为反卷解码器对应的函数操作。

优选地，步骤3中，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，具体为：

将残差矩阵中的各元素平方，将每个平方值作为各尺度重建误差值，然后将一个残差矩阵中的平方值相加得到总重构误差值。

本发明的有益效果是:

本申请考虑到来自同一高铁牵引系统的指标数据之间具有关联性，而这些信息在异常检测过程中是不能忽略的一部分，故可以利用其表示指标之间的关联性，全面地表示系统状态，同时，由于异常状态会导致指标之间的相关性发生很大的变化，即指标相关性计算结果对异常数据敏感，所以异常的指标关联矩阵很容易被观测出来，最后，可以借助多尺度的特性判断异常的严重程度。其次，将原始多尺度指标关联矩阵输入到深度自编码网络中，得到重建多尺度指标关联矩阵；最后，根据原始多尺度指标关联矩阵与重建多尺度指标关联矩阵计算出残差矩阵CRM与总重建误差值RE，通过RE与最初设置的阈值进行比较，决定该时刻高铁牵引系统是否处于异常状态，当处于异常状态时，根据CRM判断异常的原因以及异常程度，并输出异常报告。通过上述方式，本申请能够检测出高铁牵引系统发生的异常以及提供相关异常信息，并且还具有较低的虚警率。因此，申请结合指标之间的关联性和深度自编码网络能够检测出异常严重的级别及确定发生异常的监测指标。

本申请结合了基于跳跃连接层的深度自编码网络与深度学习技术，为解决高铁牵引系统异常检测提供了新的技术手段。另外，本申请能够在出现异常的时候判断异常的严重级别，使操作员了解维修需要的时间，增加维修效率。

附图说明

图1为一种基于深度自编码的高铁牵引系统异常检测方法的流程图；

图2为构建原始多尺度指标关联矩阵的流程图；

图3为图2中A的放大图；

图4为图2中B的放大图；

图5为图2中C的放大图；

图6为深度自编码网络的结构示意图。

具体实施方式

具体实施方式一：结合图1至图5说明本实施方式，本实施方式所述的一种基于深度自编码的高铁牵引系统异常检测方法，所述方法包括以下步骤：

步骤1、获取牵引系统各项监测指标的时间序列数据，将时间序列数据划分成不同的时间尺度，不同的时间尺度对应不同的异常严重级别，为每一个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到每个时刻的原始多尺度指标关联矩阵；

步骤2、使用深度自编码网络捕获原始多尺度指标关联矩阵的时间和空间关联性，根据原始多尺度指标关联矩阵的时间和空间关联性重建原始多尺度指标关联矩阵，得到每个时刻的重建多尺度指标关联矩阵；

步骤3、计算每个时刻的原始多尺度指标关联矩阵和重建多尺度指标关联矩阵的残差矩阵，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，判断每个时刻的总重建误差值是否超过预设值，如果是，则说明该时刻下牵引系统各项监测指标中存在异常，且异常出现在该时刻下的各尺度重建误差值中最大重建误差值对应的时间尺度内，异常严重级别为该时间尺度所属的级别，并在异常出现的时间尺度下将重建误差值超过预设误差值某行或者某列对应的监测指标作为异常指标，如果否，则说明该时刻下牵引系统各项监测指标正常。

本实施方式中，图2中的s1、s2和s3表示时间尺度，而图2中的波形图所表示的牵引电机速度、牵引电机温度、电流和电压指的是时间序列。

步骤1中的，为每一个时刻计算各时间尺度的指标关联矩阵，具体为如图2所示，如将时间尺度s1内的每两个监测指标进行关联，得到s1内的指标关联矩阵。

对步骤3中如何检测出异常的时间尺度及在异常时间尺度下检测出异常的指标进行解释：例如在原始多尺度指标关联矩阵中的第一行或第一列为第一个监测指标与其他所有指标的关联系数值，假设第一个指标出现异常，而其他指标都为正常，则此时某个尺度的原始指标关联矩阵中的第一行和第一列的关联系数值为异常，其他的行或列的数值为正常，而该尺度的重建指标关联矩阵是朝着正常数据的方向获得的矩阵，故该尺度的重建指标关联矩阵的第一列或者第一行的各数值会与该尺度的原始指标关联矩阵的第一行或第一列产生较大的误差(重建误差值)，故第一个指标被判断为异常指标；而其他行或列的误差较小，则不应该被判断为异常指标。步骤3中所述的异常严重级别为该时间尺度所属的级别指的是如果如果异常存在在图2中s1的时间尺度下，如果s1属于轻度异常，那么检测出的异常级别为轻度异常。

如图2所示，以求取三个时间尺度在t时刻下的相关性为例子，分别求取每个时间尺度在t时刻下的每两个监测指标的关联性，由每个时间尺度下每两个监测指标的关联性构成的集合组成该时间尺度下的关联矩阵，将三个时间尺度下的关联矩阵串联组成原始多尺度指标关联矩阵。

本申请中，指标关联矩阵中指标之间的相关性使用了修改后的相关性函数进行计算，消除了方法在部分指标短时间处于静止状态时的失效问题。

其中，多尺度指标关联矩阵可以用来表示系统当前时刻不同时间尺度的状态信息，还可以在出现异常的时候判断异常的严重级别情况。

本申请的另外一个方面是提供了一种深度自编码网络模型，包括：卷积编码器，用于编码输入多尺度指标关联矩阵中的空间模式信息；基于注意力的ConvLSTM跳跃连接层，用于捕获时空信息，同时弥补编码器丢失信息的问题；反卷积解码器，用于接收编码器的编码信息以及跳跃连接层的信息以重建多尺度指标关联矩阵。

其中，编码器采用卷积神经网络对多尺度指标关联矩阵进行下采样，编码空间模式信息。

其中，跳跃连接层使用ConvLSTM网络对编码器的每一层输出进行时间空间模式信息处理，同时采用注意力机制使跳跃连接层输出可以自适应地选择历史特征映射的信息。

其中，反卷积解码器采用反卷积操作对卷积编码器的输出进行上采样还原多尺度指标关联矩阵，反卷积解码器处理最下面的网络层，其余网络层同时会接受跳跃连接层的特征信息。

具体实施方式二：本实施方式是对具体实施方式一所述的一种基于深度自编码的高铁牵引系统异常检测方法，步骤1中，将时间序列数据划分成不同的时间尺度，具体为：

获取牵引系统各项监测指标的时间序列数据，根据异常持续的时间的长短将牵引系统各项监测指标的时间序列数据分为三个时间尺度，三个时间尺度分别表示轻度异常、中度异常和重度异常三个级别。

本实施方式中，根据高铁牵引系统的要求将异常按照时间持续的长短分为轻度、中度和重度异常三个级别，并按照这三个不同的时间长度，利用修改后的相关性函数计算各指标数据之间的指标关联矩阵，然后将不同时间尺度的指标关联矩阵串联构成多尺度指标关联矩阵。

具体实施方式三：本实施方式是对具体实施方式一所述的一种基于深度自编码的高铁牵引系统异常检测方法，步骤1中，为每个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵，具体为：

利用修改后的相关性函数计算每个时刻下各时间尺度内每两项监测指标的关联性，由同一时刻下每个时间尺度内每两项监测指标的关联性构成的集合构成一个时间尺度在该时刻的指标关联矩阵FAM，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵MSFAM，

其中，每个时间尺度的指标关联矩阵FAM表示为：

式中，n为监测指标的个数，FAM中任意元素r_ij表示第i个监测指标的时间序列X与第j个监测指标的时间序列Y的相关性，

其中，FAM中每个元素r_ij的计算方式如下：

式中，E(·)表示计算子时间序列的期望；σ_X表示计算X的方差；α根据X的期望或者Y的期望设置，

原始多尺度指标关联矩阵MSFAM，表示为：

MSFAM＝{FAM₁,FAM₂,...,FAM_s}， 公式3，

式中，FAM_s为s个时间尺度下的指标关联矩阵，s为时间尺度的个数。

本实施方式中，如图2所示，首先在牵引系统的各项指标数据上构建多尺度指标关联矩阵。提出构建多尺度指标关联矩阵主要有以下作用：牵引系统产生的指标监测时间序列包含噪声，可以利用相关性函数中的中心化操作去除大部分噪声；然后，考虑到来自同一系统的指标数据之间具有关联性，而这些信息在异常检测过程中是不能忽略的一部分，故可以利用其表示指标之间的关联性；同时，由于异常状态会导致指标之间的相关性发生很大的变化，即指标相关性计算结果对异常数据敏感，所以异常的指标关联矩阵很容易被观测出来，最后，可以借助多尺度的特性判断异常的严重程度。具体的构建方法与流程如下：

S1：获取多指标时间数列T＝{e_ij}，i＝1，2，…，n，j＝1，2，…，m，时间尺度向量MS＝(s_k)，k＜＜n以及指标关联矩阵间隔距离GAP，其中GAP表示两个相邻多尺度指标关联矩阵的间隔距离；

S2：针对向量MS中的不同时间尺度，反复顺序执行S3～S4；

S3：根据GAP在多指标时间序列中取不同的时刻点；

S4：根据当前循环的时间尺度取各指标的子时间序列，根据修改的相关函数计算各指标之间的相关性，并且构成指标关联矩阵MSFAM＝{r_ij}，1<i，j<n，，其中的r_ij表示指标i和指标j的相关性。

S5：将不同时间尺度的指标关联矩阵串联构成多尺度指标关联矩阵。

其中修改的相关性函数为：

其中E(·)表示计算子时间序列的期望；σ_X表示计算X的方差；α根据X的期望或者Y的期望设置，当其中任意一个的期望为0时，α被设置为一个极小值，否则设置为0。

具体实施方式四：结合图3说明本实施方式，本实施方式是对具体实施方式一所述的一种基于深度自编码的高铁牵引系统异常检测方法，所述步骤2包括：

深度自编码网络包含卷积编码器、反卷积解码器和跳跃连接层，

将原始多尺度指标关联矩阵输入卷积编码器，经过卷积编码器中每一层网络学习得到空间特征信息；

将卷积编码器每一层网络输出的空间特征信息输入到对应的跳跃连接层，从空间特征信息中提取学习时间和空间特征信息；

反卷解码器中的每一层网络处理上一层反卷解码器的输出与本层的跳跃连接层输出的时间和空间特征信息，得到重建多尺度指标关联矩阵；

通过反卷解码器计算重建多尺度指标关联矩阵与原始多尺度指标关联矩阵的损失函数值，并根据所述损失函数值更新模型参数；

使用原始多尺度指标关联矩阵对经过参数更新的模型继续训练，直至损失函数不在变化时或迭代次数达到预设次数时，将训练完成的深度自编码网络模型确定为最终的深度学习模型，此时该模型输出的矩阵为最终的重构多尺度指标关联矩阵。

本实施方式中，本申请设计了图6所示的基于跳跃连接的深度自编码网络，用于捕获输入的时间和空间信息，以重构多尺度指标关联矩阵。该网络中主要包含卷积编码器、反卷积解码器和跳跃连接层，其中卷积编码器捕获指标关联矩阵的空间模式并输出关键特征映射；跳跃连接层是由ConvLSTM网络以及注意力机制联合构成，连接在编码器和解码器对应的网络层之间，其主要作用是自适应的提取时间和空间模式信息，将低层次的特征传递到网络的深层，解决编码器丢失部分重要信息的问题；反卷积解码器结合跳跃连接层和编码器输出的关键特征映射信息重建指标关联矩阵。图6中CNN表示卷积编码器，SKIP表示跳跃连接层，DeCNN表示反卷积解码器。

利用深度为4层的卷积编码器逐层捕获多尺度指标关联矩阵的空间模式，同时经过基于注意力的ConvLSTM跳跃连接层处理，可以实现自适应的选择卷积编码器每一层的低层次信息，并将其融合到反卷积解码器中对应的每一层的输出中，反卷积解码器利用卷积编码器的输出以及跳跃连接层选择的低层次信息重建输入矩阵。

在卷积编码器中使用了4层卷积神经网络，从上到下的卷积编码器中卷积核分别为32个3*3*3、64个3*3*32、128个2*2*64以及256个2*2*128，步长分别为1*1、2*2、2*2和2*2，以此能够捕获输入的空间特征信息；跳跃连接层中采用了基于注意力的ConvLSTM模块，以将低层次的特征充分的融合到深层网络层中，其中ConvLSTM处理时间和空间模式，同时注意到当前时刻的隐藏状态与先前时刻的隐藏状态的相关性并不一致，所以引入注意力是网络可以自适应的选择需要的信息；编码器和解码器拥有对称的结构，故将反卷积解码器的卷积核以及步长的大小设置为编码器相应层次相同的大小。

将多尺度指标关联矩阵输入基于跳跃连接的深度自编码网络模型，得到重建后的多尺度关联矩阵，并且以最小化它们的重建误差为目标，最终获得一个能拟合正常的多尺度指标关联矩阵数据的网络模型，在此之前这一过程将不断地重复训练直到网络收敛。具体的训练方式如下：

S1：最小化L(θ)＝||MSFAM-MSFAM′||²＝||MSFAM-g(f(MSFAM))||²，以反向传播的方式更新网络的参数θ；

S2：网络的损失函数L(θ)降低，网络参数θ被优化，重建的多尺度指标关联矩阵越来越逼近原始多尺度指标关联矩阵；

S3：反复交替执行S1和S2，直到L(θ)的值基本稳定不再降低(即网络收敛)或训练次数达到预设的最大训练次数；

S4：检测牵引系统产生的数据，输出重建多尺度指标关联矩阵MSFAM′。

通过图6中的模型对原始多尺度指标关联矩阵FSFAM处理生成了重建多尺度指标关联矩阵MSFAM′，接下来就可以进行异常判别与描述步骤，可以为系统操作员提供将详细的异常描述，异常判别详细的流程如下：

S1：在MSFAM和MSFAM′上计算多尺度残差矩阵CRM；

S2：计算各尺度的重建误差RE'并按降序排序，汇总各尺度的重建误差构成总重建误差RE；

S3：比较总重建误差与异常阈值，如果超过此阈值则为异常，则比较各尺度的重建误差，拥有最大重建误差的时间尺度则为相应的异常严重级别，找出此尺度后，可以分析出到底是哪几个指标出现了问题，因为异常指标会导致其和所有其他指标的相关性发生不符合正常模式的变化，即该尺度的残差矩阵中发生异常的指标所在的行或列都会拥有较大的重构误差。

具体实施方式五：本实施方式是对具体实施方式四所述的一种基于深度自编码的高铁牵引系统异常检测方法，卷积编码器包括4层卷积神经网络。

具体实施方式六：本实施方式是对具体实施方式四所述的一种基于深度自编码的高铁牵引系统异常检测方法，跳跃连接层包括ConvLSTM网络以及注意力机制，

ConvLSTM网络，用于提取原始指标关联矩阵的时间和空间模式信息；

注意力机制，用于从提取的时间和空间模式信息中挑选需要的时间和空间模式信息。

具体实施方式七：本实施方式是对具体实施方式四所述的一种基于深度自编码的高铁牵引系统异常检测方法，损失函数值L(θ)表示为：

L(θ)＝||MSFAM-MSFAM′||²＝||MSFAM-g(f(MSFAM))||²， 公式3，

式中，MSFAM为原始多尺度指标关联矩阵；MSFAM′为重建多尺度指标关联矩阵，θ为网络参数，f(·)为卷积编码器对应的函数操作，g(·)为反卷解码器对应的函数操作。

具体实施方式八：本实施方式是对具体实施方式一所述的一种基于深度自编码的高铁牵引系统异常检测方法，步骤3中，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，具体为：

将残差矩阵中的各元素平方，将每个平方值作为各尺度重建误差值，然后将一个残差矩阵中的平方值相加得到总重构误差值。

Claims (7)

1.一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，所述方法包括以下步骤：

步骤1、获取牵引系统各项监测指标的时间序列数据，将时间序列数据划分成不同的时间尺度，不同的时间尺度对应不同的异常严重级别，为每一个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到每个时刻的原始多尺度指标关联矩阵；

步骤2、使用深度自编码网络捕获原始多尺度指标关联矩阵的时间和空间关联性，根据原始多尺度指标关联矩阵的时间和空间关联性重建原始多尺度指标关联矩阵，得到每个时刻的重建多尺度指标关联矩阵；

步骤3、计算每个时刻的原始多尺度指标关联矩阵和重建多尺度指标关联矩阵的残差矩阵，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，判断每个时刻的总重建误差值是否超过预设值，如果是，则说明该时刻下牵引系统各项监测指标中存在异常，且异常出现在该时刻下的各尺度重建误差值中最大重建误差值对应的时间尺度内，异常严重级别为该时间尺度所属的级别，并在异常出现的时间尺度下将重建误差值超过预设误差值某行或者某列对应的监测指标作为异常指标，如果否，则说明该时刻下牵引系统各项监测指标正常；

步骤1中，为每个时刻计算各时间尺度的指标关联矩阵，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵，具体为：

利用修改后的相关性函数计算每个时刻下各时间尺度内每两项监测指标的关联性，由同一时刻下每个时间尺度内每两项监测指标的关联性构成的集合构成一个时间尺度在该时刻的指标关联矩阵FAM，串联同一时刻各时间尺度的指标关联矩阵得到原始多尺度指标关联矩阵MSFAM，

其中，每个时间尺度的指标关联矩阵FAM表示为：

式中，n为监测指标的个数，FAM中任意元素r_ij表示第i个监测指标的时间序列X与第j个监测指标的时间序列Y的相关性，

其中，FAM中每个元素r_ij的计算方式如下：

式中，E(·)表示计算子时间序列的期望；σ_X表示计算X的方差；α根据X的期望或者Y的期望设置，

原始多尺度指标关联矩阵MSFAM，表示为：

MSFAM＝{FAM₁,FAM₂,...,FAM_s}， 公式3，

式中，FAM_s为s个时间尺度下的指标关联矩阵，s为时间尺度的个数。

2.根据权利要求1所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，步骤1中，将时间序列数据划分成不同的时间尺度，具体为：

获取牵引系统各项监测指标的时间序列数据，根据异常持续的时间的长短将牵引系统各项监测指标的时间序列数据分为三个时间尺度，三个时间尺度分别表示轻度异常、中度异常和重度异常三个级别。

3.根据权利要求1所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，所述步骤2包括：

深度自编码网络包含卷积编码器、反卷积解码器和跳跃连接层，

将原始多尺度指标关联矩阵输入卷积编码器，经过卷积编码器中每一层网络学习得到空间特征信息；

将卷积编码器每一层网络输出的空间特征信息输入到对应的跳跃连接层，从空间特征信息中提取学习时间和空间特征信息；

反卷解码器中的每一层网络处理上一层反卷解码器的输出与本层的跳跃连接层输出的时间和空间特征信息，得到重建多尺度指标关联矩阵；

通过反卷解码器计算重建多尺度指标关联矩阵与原始多尺度指标关联矩阵的损失函数值，并根据所述损失函数值更新模型参数；

使用原始多尺度指标关联矩阵对经过参数更新的模型继续训练，直至损失函数不在变化时或迭代次数达到预设次数时，将训练完成的深度自编码网络模型确定为最终的深度学习模型，此时该模型输出的矩阵为最终的重构多尺度指标关联矩阵。

4.根据权利要求3所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，卷积编码器包括4层卷积神经网络。

5.根据权利要求3所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，跳跃连接层包括ConvLSTM网络以及注意力机制，

ConvLSTM网络，用于提取原始指标关联矩阵的时间和空间模式信息；

注意力机制，用于从提取的时间和空间模式信息中挑选需要的时间和空间模式信息。

6.根据权利要求3所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，损失函数值L(θ)表示为：

L(θ)＝||MSFAM-MSFAM′||²＝||MSFAM-g(f(MSFAM))||²， 公式3，

式中，MSFAM为原始多尺度指标关联矩阵；MSFAM′为重建多尺度指标关联矩阵，θ为网络参数，f(·)为卷积编码器对应的函数操作，g(·)为反卷解码器对应的函数操作。

7.根据权利要求1所述的一种基于深度自编码的高铁牵引系统异常检测方法，其特征在于，步骤3中，根据每个时刻的残差矩阵得到每个时刻的各尺度重建误差值，将同一时刻的各尺度重建误差值相加得到该时刻总重构误差值，具体为：

将残差矩阵中的各元素平方，将每个平方值作为各尺度重建误差值，然后将一个残差矩阵中的平方值相加得到总重构误差值。

Images