CN113077005B - 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 - Google Patents
一种基于lstm自编码器和正常信号数据的异常检测系统及方法 Download PDFInfo
- Publication number
- CN113077005B CN113077005B CN202110391548.3A CN202110391548A CN113077005B CN 113077005 B CN113077005 B CN 113077005B CN 202110391548 A CN202110391548 A CN 202110391548A CN 113077005 B CN113077005 B CN 113077005B
- Authority
- CN
- China
- Prior art keywords
- test
- discriminator
- generator
- data
- encoder
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims description 69
- 238000005070 sampling Methods 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000005284 excitation Effects 0.000 description 6
- 238000005094 computer simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于LSTM自编码器和正常信号数据的异常检测系统及方法，该方法利用生成对抗的方式进行了自编码模型的训练，再通过距离度量模型进行异常检测，计算测试数据集中正常和异常数据的异常评分，以此度量关键序列之间的相对距离，来判断该部件是否出现异常。本发明针对吊弦松弛或不受力问题，建立仿真模型，获取吊弦震动信号数据，利用人工智能技术，建立高铁接触网吊弦松弛或不受力的智能化检测模型，该方法可以很好的应用到其他工业场景缺乏故障数据的情况，很大程度上可以解决因故障数据难以采集而导致无法进行异常检测的问题。
Description
技术领域
本发明属于工程信号智能识别领域，具体涉及一种基于LSTM自编码器和正常信号数据的异常检测系统及方法。
背景技术
列车行车安全是高速铁路运营过程中最为重视的问题。在高速铁路基础设施中，接触网负责为电力机车提供动力供应的重要设备，接触网的工作状态直接关系着列车的运行安全。吊弦是接触网的“支架”，起着固定接触线和承力索的作用。在实际运营中，吊弦发生断裂的事故时有发生，据统计武广干线曾经在一年内发现吊弦断裂问题多达60次。
现阶段，各铁路公司对于接触网的异常检测方式主要是对2C和4C系统后的获取的视频和序列现场以人工浏览检查的方式进行。该方式需要大量的人力，且效率极为低下，并极容易受到个人主观因素的影响。另外，更为值得重视的是，接触网序列检测只能发现序列改变明显的异常情况，对于吊弦松弛或不受力等从视觉上看没有发生显著改变的异常情况，需要通过在接触网上安装传感器，获取其震动信号数据，通过智能识别的方法进行检测。然而，在接触网上直接安装传感器并进行信号数据传输在目前还有一定的困难，即使可以安装传感器，所能采集的异常信号也难以满足异常检测模型训练所需要的样本数量。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于LSTM自编码器和正常信号数据的异常检测系统及方法，以解决现有技术中难以发现视觉上没有明显改变的异常情况的问题，如吊弦松弛或不受力问题。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于LSTM自编码器和正常信号数据的异常检测方法，
向异常检测模型中输入采样数据；
异常检测模型计算采样数据的异常得分；所述异常检测模型通过生成对抗机制训练获得，所述异常检测模型包括生成器和判别器，所述生成器用于从采样数据中获得采样数据的语义编码c，然后将语义编码c重新构建为特征序列；所述判别器用于对比重新构建特征序列的特征向量和采样数据的特征序列，计算异常得分；
通过异常得分判断采样数据是否异常。
本发明的进一步改进在于：
优选的，所述异常检测模型的建立过程为：
步骤1，构建生成器G和判别器D；所述生成器包含编码器GE和解码器GD；所述生成器包括两层LSTM，第一层为编码器GE，第二层为解码器GD；所述编码器GE用于从采样数据中获得采样数据的语义编码c，所述解码器GD用于将语义编码c重新构建为特征序列；所述判别器为基于LSTM的分类网络；
步骤2，训练生成器G和判别器D，获得训练后的生成器G和判别器D；
步骤3，通过训练后的生成器G和判别器D对测试数据集进行测试，若测试数据集的输出结果和输入结果之间的异常评分符合要求，认定生成器G和判别器D满足要求，获得异常检测模型；若异常评分不符合要求，重复步骤1，重新建立异常检测模型，直至检测通过。
优选的，步骤2中，交替训练生成器G和判别器D；训练目标为所述Ladv为损失函数，其公式为：
Ladv＝logD(xreal)+[1-logD(xfake)] (3)
其中，xreal为采样数据，是输入序列；xfake为输出序列。
优选的，生成器G训练时，固定判别器D的参数，目标函数为：
其中wrec，wadv，wenc是各损失的权重参数。
优选的，判别器D训练时，固定G网络的参数，目标函数为：
其中，Ladv为损失函数。
优选的，所述采样数据采集吊弦四个位置的数据，分别是跨中承力索加速度、承力索附近加速度、跨中接触线加速度和定位点加速度。
优选的，每一个位置设置一个采样传感器，其中每个样本传感器的采样频率为100Hz，吊弦故障前每个传感器以100Hz的频率采样8s，故障后每个传感器以100Hz的频率采样10s。
优选的，所述异常评分的定义为：
A(xtest)＝λR(xtest)+(1-λ)L(xtest) (6)
R(xtest)＝||xreal-xfake||1 (7)
L(xtest)＝||f(xtest)-f(xfake)||2 (8)
其中，R(xtest)表示重构序列和输入样本之间的细节差异，L(xtest)表示重构序列和输入样本经过判别器后输入特征向量的语义特征差异，λ用于平衡两种差异分数重要性的权重参数。
一种基于LSTM自编码器和正常信号数据的异常检测系统，包括：
输入模块，用于向异常检测模型中输入采样数据；
检测模块，用于通过异常检测模型计算采样数据的异常得分；
输出模块，用于通过异常得分判断采样数据是否异常。
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种基于LSTM自编码器和正常信号数据的异常检测方法，该方法利用生成对抗的方式进行了自编码模型的训练，再通过距离度量模型进行异常检测，计算测试数据集中正常和异常数据的异常评分，以此度量关键序列之间的相对距离，来判断该部件是否出现异常。本发明针对吊弦松弛或不受力问题，建立仿真模型，获取吊弦震动信号数据，利用人工智能技术，建立高铁接触网吊弦松弛或不受力的智能化检测模型，该方法可以很好的应用到其他工业场景缺乏故障数据的情况，很大程度上可以解决因故障数据难以采集而导致无法进行异常检测的问题。
本发明还公开了一种基于LSTM自编码器和正常信号数据的异常检测系统，该系统包括用于向异常检测模型中输入采样数据的输入模块、用于计算采样数据的异常得分的检测模块，和用于通过异常得分判断采样数据是否异常的输出模块。该系统仅仅通过正常的吊弦正常运行状况的加速度数据，训练智能化检测模型，检测吊弦是否发生松弛或不受力的状况。
附图说明
图1为本发明的方法流程图；
图2为本发明飞轮试验段激振器动态仿真模型接触网力学性能响应数据提取点示意图；
图3为本发明实施基于LSTM自编码器的异常检测模型结构图；
图4为本发明实施LSTM自编码网络模型示意图；
图5为吊弦加速度信号测试数据集中异常分数的条形分布。
具体实施方式
下面结合附图对本发明做进一步详细描述：
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参见图1，一种基于LSTM自编码器和正常信号数据的异常检测方法，包括以下步骤：
步骤1：基于非线性有限元理论，建立飞轮试验段激振器动态仿真模型，通过仿真正常、异常两种工况，形成原始吊弦加速度信号数据集；
仿真所形成的原始吊弦加速度信号数据集，主要仿真两种工况，即正常的接触网试验段和第一吊弦(C6)断裂的接触网试验段。通过在接触网上安装传感器提取两种工况下的接触网力学性能响应。参见图2采样位置分别为跨中承力索加速度、承力索附近加速度、跨中接触线加速度和定位点加速度，每一个采样位置设置有一个采样传感器，其中每条样本传感器的采样频率为100Hz，故障前每个传感器以100hz的频率采样8s，故障后每个传感器以100hz的频率采样10s，共计18s，1800个数据点。激励源位置不变，为28.2，激励源幅值设置范围为40-50mm；激励源频率为1.5-2.5Hz；采样频率为100Hz，每一个采样数据点有1800个数据点，最后形成原始吊弦加速度信号数据集，结合前述可知，所述原始吊弦加速度信号数据集为包括4列数据，每一列的数据有1800个数据点，所述原始吊弦加速度信号数据集为时间序列的数据集。
步骤2：通过最近邻域法压缩步骤1中每一个采样点的仿真数据，将每一个1800个数据点缩小为90个，即将仿真数据的长度从1800缩短为90，使其更适用于自编码器和LSTM的序列长度，得到异常检测的吊弦加速度信号数据集；所述吊弦加速度数据集为时间序列。
步骤3：训练用于异常检测的基于LSTM自编码器的异常检测模型。具体训练过程如下：
步骤3.1：构建基于生成对抗机制的异常检测模型，该框架由生成器G和判别器D组成，其中生成器包含编码器GE和解码器GD。
参见图4，步骤3.1中生成器G包含编码器GE和解码器GD，其中编码器GE将输入序列xreal转化成一个固定长度的向量，用于获取原始数据的语义编码c；GD将之前生成的语义编码c重构后转化成与输入序列xreal尺寸相同的输出序列xfake；其网络结构为2层LSTM。
判别器D是一个分类网络，它将鉴别真实的正常样本xreal以及生成器重构的序列xfake，并获得输入序列xreal和输出序列xfake的高维语义特征向量f(xreal)和f(xfake)，以此计算异常得分。
步骤3.2：将步骤2得到的数据集按7:3分为训练数据集和测试数据集；步骤3.2中的训练数据集只包含正常样本，测试数据集中正常样本和异常样本各一半。
步骤3.3：在训练阶段基于生成对抗机制，利用正常样本对生成器和判别器进行交替训练；
步骤3.3中训练阶段采用和常规的GAN一致的训练策略，交替优化判别网络D和生成网络G。优化D时，固定G的参数。通过将G网络生成的序列作为负样本与存在的正样本输入D来训练参数，目标函数为优化G时，固定D的参数，目标函数为/>
步骤3.4：测试阶段通过生成器生成接近正常样本的重构序列后，计算输入样本和重构序列的距离，进行异常评分来判断样本是否异常。
即将生成器的重构序列输入到基于正常数据训练的异常检测模型中，基于生成对抗机制，采用计算测试序列异常评分的方式，来对数据进行异常检测；
实施例
步骤1：基于非线性有限元理论，建立飞轮试验段激振器动态仿真模型，仿真两种工况：即正常的接触网试验段和第一吊弦(C6)断裂的接触网试验段。通过在接触网上安装传感器提取两种工况下的接触网力学性能响应。其中每条样本传感器的采样频率为100Hz，故障前每个传感器以100hz的频率采样8s，故障后每个传感器以100hz的频率采样10s，共计18s，1800个数据点。激励源位置不变，为28.2，激励源幅值设置范围为：40-50mm；激励源频率为1.5-2.5Hz；采样频率为100Hz。对应的特征分别为跨中承力索加速度、承力索附近加速度、跨中接触线加速度和定位点加速度。以此形成原始吊弦加速度信号数据集；
步骤2：通过最近邻域法，将频率为100Hz的原始数据压缩为5Hz，则吊弦加速度信号数据集的序列长度为90，使其更适用于自编码器和LSTM的序列长度，得到异常检测的吊弦加速度信号数据集；
步骤3：训练用于异常检测的基于LSTM自编码器和异常检测模型。具体训练过程如下：
步骤3.1：构建基于生成对抗机制的异常检测模型，该框架由生成器G和判别器D组成。
参见图4，其中生成器G包含编码器GE和解码器GD，生成器G从结构上分析，生成器G的网络结构为2层LSTM，其中第一层为编码器GE，第二层为解码器GD，第一、二层LSTM的隐藏层节点数分别为16和4；更为具体的编码器GE将输入序列xreal转化成一个固定长度的向量，所述输入序列xreal为异常检测的吊弦加速度信号数据集，固定长度的向量为xreal的语义编码c；语义编码c作为第二层的输入，GD将语义编码c重构后转化成与输入序列xreal尺寸相同的输出序列xfake；
更为具体的，将步骤1获得的90长度的时间序列(异常检测的吊弦加速度信号数据集)作为输入序列xreal，将第一层的输出的语义编码c作为第二层的90个时间步的输入，所述第一层的90个时间步为步骤1中的压缩到长度为90的时间序列。输入层为4×90的加速度信号；第一层中隐藏层的节点数表示特征维度为16；输出层是经过自编码网络重构后4×90的特征序列，通过该步骤的数据调整，使得数据特征更明显，数据统一规范。
参见图3，判别器D是一个基于LSTM的分类网络，它将鉴别真实的正常样本xreal以及生成器重构的序列xfake。与此同时分类网络还可以提取特征，以此获得输入序列xreal和输出序列xfake的高维语义特征向量f(xreal)和f(xfake)，以此计算异常得分；
步骤3.2：将步骤2得到的正常检测数据集按7:3分为训练数据集和测试数据集；其中训练数据集只包含正常数据，共994个样本，测试数据集正常异常数据各一半，各200个；
步骤3.3：训练阶段采用和常规的GAN一致的训练策略，交替优化判别网络D和生成网络G。优化D时，固定G网络的参数。通过将G生成的序列作为负样本xfake与存在的正样本f(xreal)输入D来训练参数，目标函数为
其中，Ladv为损失函数；
优化G时，固定D的参数，目标函数为：
其中wrec，wadv，wenc是各损失的权重参数；
通过交替优化优化D和优化G，获得训练后的网络。
Ladv该损失函数保证了G网络重构的序列尽可能接近真实样本xreal。同时保证了判别网络D能够更好地辨别真实样本xreal和重构序列xfake。上述为交替训练，该任务通过对G最小化损失，对D最大化损失，来实现/>
Ladv＝logD(xreal)+[1-logD(xfake)] (3)
Lcon通过计算重构序列xfake和输入样本xreal的smoothL1损失，使得重构序列充分地学习原始正常样本xreal的序列细节信息，拟合xreal的数据分布。损失函数Lcon的定义如下：
Lcon＝SL1(x-xfake) (4)
Llat通过计算重构序列xfake和输入样本xreal经过判别网络D最后一层深度语义特征向量的smoothL1损失，使得重构序列xfake充分地学习原始正常样本xreal的内在语义信息。损失函数定义如下：
Llat＝SL1(f(xreal)-f(xfake)) (5)
步骤3.4，测试阶段通过生成器生成接近正常样本的重构序列后，计算输入样本和重构序列的距离，进行异常评分来判断样本是否异常。即给定测试数据集输入xtest，异常评分定义为：
A(xtest)＝λR(xtest)+(1-λ)L(xtest) (6)
R(xtest)＝||xreal-xfake||1 (7)
L(xtest)＝||f(xtest)-f(xfake)||2 (8)
其中R(xtest)表示重构序列和输入样本之间的细节差异，L(xtest)表示重构序列和输入样本经过判别器后输入特征向量的语义特征差异。λ是用来平衡两种差异分数重要性的权重参数。
计算测试数据集Dtest中所有序列的异常分数集合A＝{Ai:A(xtest,i),xtest∈Dtest}，并对集合A进行归一化处理，将异常分数压缩到[0,1]，如下式：
若测试数据集的输出结果和输入结果之间的异常评分符合要求，认定生成器G和判别器D满足要求，获得异常检测模型；若异常评分不符合要求，重复步骤1，重新建立异常检测模型，直至检测通过。
经过正常样本训练后，输入测试数据集样本Dtest时，当Dtest为正常样本时，经过判别器后由异常距离模型计算得出的特征向量距离差别不大；当Dtest输入为异常样本时，其输入样本基于经过正常样本训练后的模型进行重构，原始输入序列和其重构序列经过判别器后产生的特征向量差异很大。当两次编码得到的异常评分A′(xtest)大于一定阈值的时候即判定样本是异常样本。
实验结果表明，参见图5，利用本方法对接触网吊弦的信号数据分类准确率达到100％。由此可见本方法可以很好的解决信号方向因故障数据难以采集而导致无法进行的异常检测问题，可以很好的应用到其他工业场景缺乏故障数据的情况。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，
向异常检测模型中输入采样数据；
异常检测模型计算采样数据的异常得分；所述异常检测模型通过生成对抗机制训练获得，所述异常检测模型包括生成器和判别器，所述生成器用于从采样数据中获得采样数据的语义编码c，然后将语义编码c重新构建为特征序列；所述判别器用于对比重新构建特征序列的特征向量和采样数据的特征序列，计算异常得分；
通过异常得分判断采样数据是否异常；
所述异常检测模型的建立过程为：
步骤1，构建生成器G和判别器D；所述生成器包含编码器GE和解码器GD；所述生成器包括两层LSTM，第一层为编码器GE，第二层为解码器GD；所述编码器GE用于从采样数据中获得采样数据的语义编码c，所述解码器GD用于将语义编码c重新构建为特征序列；所述判别器为基于LSTM的分类网络；
步骤2，训练生成器G和判别器D，获得训练后的生成器G和判别器D；
步骤3，通过训练后的生成器G和判别器D对测试数据集进行测试，若测试数据集的输出结果和输入结果之间的异常评分符合要求，认定生成器G和判别器D满足要求，获得异常检测模型；若异常评分不符合要求，重复步骤1，重新建立异常检测模型，直至检测通过；
所述异常得分的定义为：
A(xtest)＝λR(xtest)+(1-λ)L(xtest) (6)
R(xtest)＝||xreal-xfake||1 (7)
L(xtest)＝||f(xtest)-f(xfake)||2 (8)
其中，R(xtest)表示重构序列和输入样本之间的细节差异，L(xtest)表示重构序列和输入样本经过判别器后输入特征向量的语义特征差异，λ用于平衡两种差异分数重要性的权重参数。
2.根据权利要求1所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，步骤2中，交替训练生成器G和判别器D；训练目标为所述Ladv为损失函数，其公式为：
Ladv＝logD(xreal)+[1-logD(xfake)] (3)
其中，xreal为采样数据，是输入序列；xfake为输出序列。
3.根据权利要求2所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，生成器G训练时，固定判别器D的参数，目标函数为：
其中wrec，wadv，wenc是各损失的权重参数。
4.根据权利要求1所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，判别器D训练时，固定G网络的参数，目标函数为：
其中，Ladv为损失函数。
5.根据权利要求4所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，所述损失函数Ladv为：
Ladv＝logD(xreal)+[1-logD(xfake)] (3)。
6.根据权利要求1所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，所述采样数据采集吊弦四个位置的数据，分别是跨中承力索加速度、承力索附近加速度、跨中接触线加速度和定位点加速度。
7.根据权利要求6所述的一种基于LSTM自编码器和正常信号数据的异常检测方法，其特征在于，每一个位置设置一个采样传感器，其中每个样本传感器的采样频率为100Hz，吊弦故障前每个传感器以100Hz的频率采样8s，故障后每个传感器以100Hz的频率采样10s。
8.一种基于LSTM自编码器和正常信号数据的异常检测系统，其特征在于，包括：
输入模块，用于向异常检测模型中输入采样数据；
所述异常检测模型的建立过程为：
步骤1，构建生成器G和判别器D；所述生成器包含编码器GE和解码器GD；所述生成器包括两层LSTM，第一层为编码器GE，第二层为解码器GD；所述编码器GE用于从采样数据中获得采样数据的语义编码c，所述解码器GD用于将语义编码c重新构建为特征序列；所述判别器为基于LSTM的分类网络；
步骤2，训练生成器G和判别器D，获得训练后的生成器G和判别器D；
步骤3，通过训练后的生成器G和判别器D对测试数据集进行测试，若测试数据集的输出结果和输入结果之间的异常评分符合要求，认定生成器G和判别器D满足要求，获得异常检测模型；若异常评分不符合要求，重复步骤1，重新建立异常检测模型，直至检测通过；
检测模块，用于通过异常检测模型计算采样数据的异常得分；所述异常检测模型通过生成对抗机制训练获得，所述异常检测模型包括生成器和判别器，所述生成器用于从采样数据中获得采样数据的语义编码c，然后将语义编码c重新构建为特征序列；所述判别器用于对比重新构建特征序列的特征向量和采样数据的特征序列，计算异常得分；
所述异常得分的定义为：
A(xtest)＝λR(xtest)+(1-λ)L(xtest) (6)
R(xtest)＝||xreal-xfake||1 (7)
L(xtest)＝||f(xtest)-f(xfake)||2 (8)
其中，R(xtest)表示重构序列和输入样本之间的细节差异，L(xtest)表示重构序列和输入样本经过判别器后输入特征向量的语义特征差异，λ用于平衡两种差异分数重要性的权重参数；
输出模块，用于通过异常得分判断采样数据是否异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110391548.3A CN113077005B (zh) | 2021-04-13 | 2021-04-13 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110391548.3A CN113077005B (zh) | 2021-04-13 | 2021-04-13 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113077005A CN113077005A (zh) | 2021-07-06 |
| CN113077005B true CN113077005B (zh) | 2024-04-05 |
Family
ID=76617336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110391548.3A Active CN113077005B (zh) | 2021-04-13 | 2021-04-13 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077005B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113592008B (zh) * | 2021-08-05 | 2022-05-31 | 哈尔滨理工大学 | 小样本图像分类的系统、方法、设备及存储介质 |
| CN113780387A (zh) * | 2021-08-30 | 2021-12-10 | 桂林电子科技大学 | 基于共享自编码器的时间序列异常检测方法 |
| CN114423035B (zh) * | 2022-01-12 | 2023-09-19 | 北京宇卫科技有限公司 | 一种网络切片场景下服务功能链异常检测方法 |
| CN114553756B (zh) * | 2022-01-27 | 2023-06-13 | 烽火通信科技股份有限公司 | 基于联合生成对抗网络的设备故障检测方法与电子设备 |
| CN115375600B (zh) * | 2022-10-20 | 2023-04-07 | 福建亿榕信息技术有限公司 | 一种基于自编码器的重构图像质量衡量方法及系统 |
| CN115717590B (zh) * | 2022-11-22 | 2024-03-29 | 西安交通大学 | 一种压缩机智能异常检测方法及相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
| CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
| CN110992354A (zh) * | 2019-12-13 | 2020-04-10 | 华中科技大学 | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 |
| EP3640857A1 (en) * | 2018-10-19 | 2020-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation |
| CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200410285A1 (en) * | 2019-06-25 | 2020-12-31 | The Board Of Trustees Of The Leland Stanford Junior University | Anomaly Augmented Generative Adversarial Network |
-
2021
- 2021-04-13 CN CN202110391548.3A patent/CN113077005B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3640857A1 (en) * | 2018-10-19 | 2020-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation |
| CN109948117A (zh) * | 2019-03-13 | 2019-06-28 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
| CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
| CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
| CN110992354A (zh) * | 2019-12-13 | 2020-04-10 | 华中科技大学 | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 |
| CN112179691A (zh) * | 2020-09-04 | 2021-01-05 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
| CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 姜少彬 ; 杜春 ; 陈浩 ; 李军 ; 伍江江 ; .一种硬盘故障预测的非监督对抗学习方法.西安电子科技大学学报.2020,(第02期),全文. * |
| 李奥 ; 但志平 ; 董方敏 ; 刘龙文 ; 冯阳 ; .基于改进生成对抗网络的谣言检测方法.中文信息学报.2020,(第09期),全文. * |
| 王德文 ; 杨凯华 ; .基于生成式对抗网络的窃电检测数据生成方法.电网技术.2020,(第02期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113077005A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113077005B (zh) | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 | |
| CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
| CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
| CN107054410B (zh) | 道岔转辙机的智能诊断系统及诊断方法 | |
| CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
| CN109033612A (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| CN103335617B (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
| CN108170925A (zh) | 一种基于arma模型的桥梁损伤预警方法 | |
| CN105424364A (zh) | 列车轴承故障的诊断方法和装置 | |
| CN106662072A (zh) | 风力发电机状态监控方法与系统 | |
| CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
| CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
| CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
| CN116881819B (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN104835102A (zh) | 列车测速方案评价方法和装置 | |
| CN115112763A (zh) | 一种基于das的高铁声屏障健康状况实时监测方法 | |
| CN111652212A (zh) | 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法 | |
| CN107782548A (zh) | 一种基于对轨道交通工具零部件检测系统 | |
| CN114997749B (zh) | 电力人员智能调度方法和系统 | |
| AU2021413008B2 (en) | Train compartment vibration monitoring method, vibration signal feature library establishment method and vibration signal feature library application method | |
| WO2023004180A1 (en) | Identification of false transformer humming using machine learning | |
| CN114925867A (zh) | 一种无缝钢管生产重点设备物联网维修预测系统 | |
| CN116092519A (zh) | 车辆故障检测方法及系统 |
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 |