CN114626426A - 基于K-means优化算法的工业设备行为检测方法 - Google Patents

Abstract

本发明提出基于K‑means优化算法的工业设备行为检测方法。本发明利用自编码器神经网络和粒子群优化算法将K‑means算法进行优化，进而用于工业设备行为的检测。自编码神经网络能够有效地将高维的设备行为数据库进行降维处理，得到更容易处理的低维数据，同时克服数据库非线性等问题；粒子群算法能够利用自身优秀的全局搜索能力和快速收敛能力帮助K‑means算法克服初始聚类中心不佳而产生的聚类效果差而无法寻得最优点的缺点，使得K‑means算法拥有更好的全局索索能力。该发明提高了设备行为识别的效率及其可靠性，更适用于实际应用。

Description

基于K-means优化算法的工业设备行为检测方法

技术领域

本发明属于工业控制网络信息安全领域，具体说是一种主要面向于设备行为特性的一种识别方法。

背景技术

在工业进行生产的过程具有一定的危险性，一旦不慎，极易引发爆炸、毒气扩散等，导致事故发生、财产损失，甚至是伤亡，因此在工业中引入异常检测技术是十分必要的。在工业中使用设备行为检测技术及时识别设备状态，如果产生异常情况能够及时发现问题，在发生事故前发现并及时采取行动应对，使得生产回复正常运行，从而最大程度降低损失。目前工业设备行为检测技术主要通过工业生产过程中各个仪表或设备所产生的数据采集，形成历史数据库，并通过相应算法对历史数据进行处理、分析，进而实现行为检测。

随着计算机和网络在工业上的应用越来越广泛，工业运行模式也发生了改变，使得工业设备行为更加复杂，数据更加庞大。这导致目前面对缺乏对复杂多变的工业数据时出现了无法准确描述和高效的定制化的优化控制方法这一问题，而利用工业设备生产历史所产生的大量设备行为数据建立利用行业特征知识库驱动的模型恰恰能够解决这一问题。利用行业特征知识库所驱动力的模型能够有效的对工业设备运行状态进行实时监督、及时警报，是的相关人员能够做到及时调整参数、矫正错误的工业运行，实现工业的优化生产，避免重大损失。

发明内容

针对工业设备行为误报率较高，计算量过大导致延迟误报等问题，本发明提出了一种基于优化聚类算法的无监督异常检测方法。通过自编码器神经网络、粒子群优化算法对K-means无监督学习算法进行优化，并利用设备行为历史数据的特征知识库进行模型建立和训练，得到聚类中心和距离，利用聚类中心和距离作为标准，对实时设备数据进行诊断，实现设备行为的诊断。

本发明为实现上述目的所采用的技术方案是：

基于K-means优化算法的工业设备行为检测方法，包括下步骤：

1)获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；

2)设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；

3)在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；

4)更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；

5)计算数据点与聚类中心位置之间的距离，更新簇；

6)重复步骤4)和步骤5)，直到完成设定的迭代次数n，即得到最终聚类中心和聚类簇划分；

7)输出最终结果即设备的工业设备行为状态。

所述使用自编码器进行训练，降低数据集维度具体为：

将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。

所述编码过程为：

h₁＝σ_e(W₁x+b₁)

所述解码过程为：

y＝σ_d(W₂h₁+b₂)

其中，W₁为编码权重，b₁为编码偏置，W₂为解码权重，b₂为解码偏置，σ_e、σ_d均为非线性变换，h₁为中间变量，x为输入层数据，y为输出层数据。

所述K-means算法具体为：

确定聚类簇数即聚类中心数目k；

从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；

依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；

将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。

所述粒子群算法具体为：

1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；

2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；

3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；

4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。

基于K-means优化算法的工业设备行为检测系统，包括：

数据获取模块：用于获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；

数据处理模块，用于设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；

模型训练模块，用于根据设定的迭代次数迭代更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心，并计算数据点与聚类中心位置之间的距离，更新簇，直至完成设定的迭代次数，即得到最终聚类中心和聚类簇划分；

模型输出模块，用于输出最终结果即设备的工业设备行为状态。

所述数据获取模块使用自编码器进行训练，降低数据集维度，具体为：

将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。

所述编码过程为：

h₁＝σ_e(W₁x+b₁)

所述解码过程为：

y＝σ_d(W₂h₁+b₂)

其中，W₁为编码权重，b₁为编码偏置，W₂为解码权重，b₂为解码偏置，σ_e、σ_d均为非线性变换，h₁为中间变量，x为输入层数据，y为输出层数据。

所述数据处理模块中使用K-means算法，具体为：

确定聚类簇数即聚类中心数目k；

从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；

依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；

将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。

所述数据处理模块中使用粒子群算法，具体为：

1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；

2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；

3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；

4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。

本发明具有以下有益效果及优点：

1.本发明利用了自编码器进行特征提取和降维处理。自编码器具有良好的非线性泛化能力，能够更好地针对工业数据多为非线性这一特点。特征提取使得后续检测更加准确，降低了误报率，而降低数据维度使得后续数据处理更加简便易行。

2.本发明利用了自编码器进行特征提取和降维处理。自编码器具有良好的非线性泛化能力，能够更好地针对工业数据多为非线性这一特点。特征提取使得后续检测更加准确，降低了误报率，而降低数据维度使得后续数据处理更加简便易行。。

附图说明

图1是本发明中采用自编码器对工业设备数据进行压缩示意图；

图2是K-means优化部分算法示意图；

图3是基于K-means优化算法的工业设备行为检测算法整体框架图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明针对工控设备行为识别开展基于行为特征知识库的无监督检测方法研究，利用特征知识库进行模型的搭建和驱动。利用自编码器、粒子群优化算法等现代先进算法对K-means算法进行优化，通过优化算法和设备行为识别研究相结合，实现对于工业设备行为特征检测方法的研究，建立基于K-means优化算法的工业设备行为检测模型，实现高效的设备行为识别和诊断。

如图3所示，工业设备故障中异常检测具体算法可分为三部分：数据获取，模型训练，模型测试及使用。首先进行数据采集，工业现场设备中的数据来自现场各个设备的历史数据，通过采集之后以时间作为标签，同一时间所采集的数据进行汇总合并，作为一条数据最终录入数据库中。经过一段时间的采集，获得最终数据集。接下来进行特征提取与降维、聚类两大部分，如图1、2所示：

a.特征提取及预处理部分

自编码器主要通过编码和译码两个过程，如图1所示。数据输入后，从输入层到隐含层需要经过一次变换，这个过程为编码过程，如式(1)所示；当数据从隐含层到输出层时通过式(2)再次变换，得到与输入维度一致的数据。理想情况下，输出层的输出结果和输入输入层的数据完全相同，但事实上，变换过程中，会有一定信息的损失。

h₁＝σ_e(W₁x+b₁) (1)

y＝σ_d(W₂h₁+b₂) (2)

其中，W₁为编码权重，b₁为编码偏置，W₂为解码权重，b₂为解码偏置，σ_e、σ_d均为非线性变换。通过对于权重和偏执等参数的设置，自编码器可以最大程度的还原输入数据。

b.聚类部分：

聚类部分是由粒子群优化算法优化过后的K-means算法组成，如图2所示，模型算法具体流程如下：

step1.输入训练数据集D，使用自编码器进行训练，使得数据集维度降低；step2.设置聚类簇数K、迭代次数n；

step3.在数据集D中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点x_i与聚类中心c_j的距离计算公式

作为自适应函数，x_i为第i个粒子位置，c_j为聚类中心位置；

step4.更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；

step5.计算数据点与聚类中心位置之间的距离，更新簇；

step6.重复step4和step5，直到聚类结果稳定，即得到最终聚类中心和聚类簇划分；

step7.输出最终结果。

由于工业运行规模大型化、设备庞大、工艺过程复杂，使得设备行为历史特征数据库普遍维度较高，需进行在数据处理之前进行降维工作，本文利用自编码神经网络进行数据降维，使得数据维度降低，有利于后面数据处理；数据预处理完毕后，首先利用K-means算法初始化聚类中心位置以及距离，同时利用粒子群优化算法(PSO)对本次聚类中心进行优化。在迭代n次后，得到最优聚类中心及簇划分，完成利用历史特征数据库对模型的训练。训练完毕的模型面对实时设备行为数据时，通过计算本条数据与各个聚类中心的距离判断所应归属的簇类别，实现设备行为状态识别。

本发明解决其技术问题所采用的技术方案是：

1.自编码器神经网络：采用自编码器伸进网络将历史数据进行压缩，有利于后面数据处理；数据由原始n维(高维)压缩成m维(低维)，该方法可以保证在需要还原数据时候最小化损失把数据恢复出来。

2.粒子群优化算法：粒子群算法首先定义并初始化一个粒子群，初始化内容包括粒子群规模、粒子的初始速度和方向、迭代次数。同时，设置好适应度函数，通过计算自适应函数来寻找一个粒子的极值，即个体最优解，通过个体最优解寻找出粒子群的极值，即该粒子群的全局最优解。粒子群算法流程通常如下：

2a)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模为M和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；

2b)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；

2c)将表现最优的个体极值标记为粒子群的极值点，更新粒子群的全局最优解；

2d)不断重复step2和step3，直至当前迭代次数达到迭代次数k，输出个体最优解和全局最优解。

3.K-means算法：使用基于K-means聚类方法对已压缩后的工业设备数据根据数据之间的相似性来对其进行分类，通过依赖具体应用场景和输入对象类型格式设定初始聚类中心数量，通过进行多轮迭代后完成数据聚类分类。算法步骤如下：

3a)确定聚类中心数目k值；

3b)从输入的数据集D中随机挑选k个数据点，构成初始的聚类中心集合C＝{X_j^n|j＝1,2,3…k}；

3c)依次计算数据集D中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心；这一步会对所有的数据点都指定一个聚类中心；

3d)更新聚类中心，计算所有分配给该聚类中心的数据点的中心，比如算数平均数，得到该类新的聚类中心；

3e)重复2c和2d，直至Loss最小化收敛。

4.优化聚类：粒子群算法的自适应函数设置为K-means算法中的距离计算。进而通过利用输入训练测试集D对聚类算法进行模型训练，得到较为准确的异常检测模型，才能结合实时数据测试或者使用模型。通过无监督的机器学习方式，可以在离线的情况下进行聚类，无需人工打标签，节省人力资源，相比于其他有监督的机器学习方式具有更高的效率。模型算法具体流程如下：

4a)输入训练数据集D，使用自编码器进行训练，使得数据集维度降低；

4b)设置聚类簇数K、迭代次数n；

4c)在数据集D中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；

4d)更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；

4e)计算数据点与聚类中心位置之间的距离，更新簇；

4f)重复4d)和4e)，直到聚类结果不再变化，即得到最终聚类中心和聚类簇划分；

4g)输出最终结果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于K-means优化算法的工业设备行为检测方法，其特征在于，包括下步骤：

1)获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；

2)设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；

3)在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；

4)更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心；

5)计算数据点与聚类中心位置之间的距离，更新簇；

6)重复步骤4)和步骤5)，直到完成设定的迭代次数n，即得到最终聚类中心和聚类簇划分；

7)输出最终结果即设备的工业设备行为状态。

2.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述使用自编码器进行训练，降低数据集维度具体为：

将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。

3.根据权利要求2所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述编码过程为：

h₁＝σ_e(W₁x+b₁)

所述解码过程为：

y＝σ_d(W₂h₁+b₂)

其中，W₁为编码权重，b₁为编码偏置，W₂为解码权重，b₂为解码偏置，σ_e、σ_d均为非线性变换，h₁为中间变量，x为输入层数据，y为输出层数据。

4.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述K-means算法具体为：

确定聚类簇数即聚类中心数目k；

从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；

依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；

将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。

5.根据权利要求1所述的基于K-means优化算法的工业设备行为检测方法，其特征在于，所述粒子群算法具体为：

1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；

2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；

3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；

4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。

6.基于K-means优化算法的工业设备行为检测系统，其特征在于，包括：

数据获取模块：用于获取包括设备状态、运行情况数据的工业设备行为状态数据，组成训练数据集，并使用自编码器进行训练，降低数据集维度；

数据处理模块，用于设置K-means算法中的聚类簇数K以及粒子群算法中的迭代次数n；在降维后的数据集中选择K个数据点，作为初始聚类中心和初始粒子群的位置，进行初始化粒子群，将数据点与聚类中心的距离作为自适应函数；

模型训练模块，用于根据设定的迭代次数迭代更新粒子位置，寻求粒子个体最优解和全局最优解，将粒子群作为聚类中心，并计算数据点与聚类中心位置之间的距离，更新簇，直至完成设定的迭代次数，即得到最终聚类中心和聚类簇划分；

模型输出模块，用于输出最终结果即设备的工业设备行为状态。

7.根据权利要求6所述的基于K-means优化算法的工业设备行为检测系统，其特征在于，所述数据获取模块使用自编码器进行训练，降低数据集维度，具体为：

将工业设备行为状态数据输入自编码器，经过编码过程即工业设备行为状态数据从输入层到隐含层，以及解码过程即工业设备行为状态数据从隐含层到输出层的两次变换，使工业设备行为状态数据变为与设定的维度一致的数据。

8.根据权利要求7所述的基于K-means优化算法的工业设备行为检测系统，其特征在于，所述编码过程为：

h₁＝σ_e(W₁x+b₁)

所述解码过程为：

y＝σ_d(W₂h₁+b₂)

其中，W₁为编码权重，b₁为编码偏置，W₂为解码权重，b₂为解码偏置，σ_e、σ_d均为非线性变换，h₁为中间变量，x为输入层数据，y为输出层数据。

9.根据权利要求7所述的基于K-means优化算法的工业设备行为检测系统，其特征在于，所述数据处理模块中使用K-means算法，具体为：

确定聚类簇数即聚类中心数目k；

从输入的训练数据集中随机挑选k个数据点，构成初始的聚类中心集合C；

依次计算训练数据集中每个数据点与集合C中各个聚类中心的欧几里得距离，把该数据点分配给距离最小的聚类中心，最终将训练数据集中每一个数据点都分配给与该数据点距离最小的聚类中心；

将数据点与聚类中心的距离之和作为粒子群算法中粒子的自适应函数。

10.根据权利要求7所述的基于K-means优化算法的工业设备行为检测系统，其特征在于，所述数据处理模块中使用粒子群算法，具体为：

1)设置迭代次数为n；定义自适应函数；定义并初始化一个粒子群，设置粒子群规模和每个粒子的最大速度，设置粒子的初始速度和位置，第一次迭代的个体最优解即当前位置；

2)通过自适应函数来计算粒子在本次迭代的最优解，即粒子极值；更新粒子的位置和速度；

3)将在粒子群中表现最优的个体极值标记为粒子群的极值点，即粒子极值的最小值作为更新粒子群的全局最优解；

4)重复步骤2)和步骤3)直至当前迭代次数达到迭代次数n，输出个体最优解和全局最优解。

Images