CN115293280A - 基于时空特征分割重构的动力装备系统异常检测方法 - Google Patents

基于时空特征分割重构的动力装备系统异常检测方法 Download PDF

Info

Publication number
CN115293280A
CN115293280A CN202210987922.0A CN202210987922A CN115293280A CN 115293280 A CN115293280 A CN 115293280A CN 202210987922 A CN202210987922 A CN 202210987922A CN 115293280 A CN115293280 A CN 115293280A
Authority
CN
China
Prior art keywords
graph structure
source
reconstruction
power equipment
graph
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.)
Pending
Application number
CN202210987922.0A
Other languages
English (en)
Inventor
陈景龙
韩勤丰
訾艳阳
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210987922.0A priority Critical patent/CN115293280A/zh
Publication of CN115293280A publication Critical patent/CN115293280A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种基于时空特征分割重构的动力装备系统异常检测方法，将监测系统状态的多种传感器产生的多源时序数据，以特定长度划分后构成多源数据集；对多源数据序列进行预处理后划分为训练集和测试集；利用机械设备结构的先验知识，得到先验图结构；利用图结构参数化学习方式，建立自适应图结构，并基于图卷积构建时空特征提取网络，结合两种图结构提取多源数据的时空特征；构建分割重构异常检测网络，并使用训练集对所构建模型进行优化；使用优化后的模型进行训练集和测试集样本的状态评估，根据训练集评估结果确定阈值，以此对测试集进行异常状态检测。本发明为机械设备系统异常状态检测提供了一种可靠的通用的方案。

Description

基于时空特征分割重构的动力装备系统异常检测方法
技术领域
本发明涉及动力装备异常检测领域，特别涉及一种基于时空特征分割重构的动力装备系统异常检测方法。
背景技术
动力装备是重大设备运行的动力来源，动力装备出现异常会影响到整个设备的正常运转，造成经济损失甚至人员伤亡。对重大动力装备系统开展状态监测通常采用多个各种类型的传感器进行数据获取，对获取到的监测数据进行分析，能够对设备系统进行异常检测，监控设备运行的健康状态。然而多源监测数据具有的特征复杂、信息冗余、非线性关联等特点，对多源数据融合的工作带来了困难，因此亟需开展多源监测数据下的系统异常状态检测方法研究。
传统异常检测算法主要基于支持向量机、孤立森林、奇异值分解、主成分分析等机器学习方法，在处理多源监测数据时，对多源数据特征提取，融合能力欠佳，未实现多源数据信息的综合利用，难以全面表征动力设备系统的健康状态，在异常检测结果准确率上有所欠缺。并且在实际工程情况下，设备异常状态下的数据较为稀缺，同时由于异常原因的不确定性，系统异常状态难以模拟，异常数据难以收集。随着深度学习的发展和广泛应用，数据驱动的多源数据融合算法以及无监督学习范式在设备健康状态智能识别领域取得了巨大进步，因此研究一种在无异常样本下能够有效融合多源监测数据的智能异常检测方法对解决实际问题具有重要价值。
发明内容
本发明的目的在于提供一种基于时空特征分割重构的动力装备系统异常检测方法，以解决现有技术存在的问题，本发明基于时序卷积以及图卷积处理多源数据并提取其时空特征，结合自适应的图结构以及设备对象的先验知识建模多源数据之间的拓扑联系，促进多源数据的融合，利用分割的时空特征，在卷积自编码器上进行分段重构，以提高异常检测结果的准确率，最终实现对系统异常状态的识别。
为达到上述目的，本发明采用如下技术方案：
基于时空特征分割重构的动力装备系统异常检测方法，包括以下步骤：
步骤1：从设备状态监测平台获取多源监测数据，将多源监测数据以特定长度截取后获得多源时间序列样本，对每条多源时间序列样本进行预处理，得到多源数据集，并划分为训练集和测试集；
步骤2：在步骤1中所得多源时间序列样本上，根据动力装备自身结构的先验知识，获得先验图结构，并构建自适应图结构学习模块，输出自适应图结构；
步骤3：基于先验图结构和自适应图结构，构建用于系统异常检测的无监督多源时序图卷积网络模型；
步骤4：利用步骤1中的训练集对步骤3中所构建的无监督多源时序图卷积网络模型进行优化；
步骤5：使用步骤4中优化得到的网络模型对训练集进行系统状态评估，对获得的状态评分进行处理，计算阈值；
步骤6：使用步骤4中训练的网络模型对测试集进行系统状态评估，根据步骤5中计算得到的阈值，输出异常状态检测结果。
进一步地，步骤1中以特定长度截取具体为：将多源监测数据以特定长度L不重叠地划分得到多源时间序列样本；
步骤1中预处理采用归一化操作，具体为：对多源时间序列样本各通道单独进行归一化，并根据多源监测数据来源对多源数据集进行划分，将系统状态为正常的样本中抽选一部分作为训练集，剩余正常样本以及系统状态为异常的样本作为测试集；归一化公式如下：
Figure BDA0003802624410000031
式中，
Figure BDA0003802624410000032
为归一化后数据，xij为第i个通道中第j个数据点，μ为xi各数据点均值，σ为xi各数据点标准差，xi为第i个通道数据。
进一步地，步骤2中根据动力装备自身结构的先验知识，建立先验图结构，所述先验图结构包括图结构的邻接矩阵以及节点的特征矩阵，对于输入的任意多源时间序列样本
Figure BDA0003802624410000033
n为样本通道数量，l为样本长度，
Figure BDA0003802624410000034
表示实数集，其先验图结构样本表示为
Figure BDA0003802624410000035
节点特征矩阵
Figure BDA0003802624410000036
Figure BDA0003802624410000037
邻接矩阵
Figure BDA0003802624410000038
构建先验图结构的邻接矩阵方法具体如下：
首先明确多源监测数据各通道来源传感器在动力设备上的位置，其次根据传感器所在结构之间的连接关系确定邻接矩阵的值，用aij＝0表示第i个通道传感器所在位置与第j个通道传感器所在位置之间的不存在连接，aij＝1表示存在连接，获得邻接矩阵的值：
Ap＝[aij]。
进一步地，步骤2构建的自适应图结构学习模块中，将节点之间存在边的概率参数化，通过网络学习得到自适应图结构来建模多源数据的内在联系，对于输入的任意多源时间序列样本
Figure BDA0003802624410000039
n为样本通道数量，l为样本长度，其自适应图结构表示为
Figure BDA00038026244100000310
节点特征矩阵
Figure BDA00038026244100000311
邻接矩阵
Figure BDA00038026244100000312
构建自适应图结构的邻接矩阵过程包括：参数化节点之间存在边的概率
Figure BDA0003802624410000041
利用gumbel-softmax技巧采样出节点之间的边，用状态变量
Figure BDA0003802624410000042
分别表示存在边和不存在边两种状态，获得自适应图结构的邻接矩阵Aa，具体构建过程如下：
首先，参数化节点之间存在边的概率：
Figure BDA0003802624410000043
其中，N为节点数量，即多源数据通道数量；
Figure BDA0003802624410000044
为存在边的概率；
Figure BDA0003802624410000045
为不存在边的概率；
其次，从均匀分布采样噪声
Figure BDA0003802624410000046
计算对应gumbel噪声
Figure BDA0003802624410000047
Figure BDA0003802624410000048
Figure BDA0003802624410000049
Figure BDA00038026244100000410
式中，
Figure BDA00038026244100000411
为均匀分布采样的噪声，
Figure BDA00038026244100000412
为对应
Figure BDA00038026244100000413
的gumbel噪声；
最后，根据
Figure BDA00038026244100000414
计算得到边的状态变量
Figure BDA00038026244100000415
Figure BDA00038026244100000416
式中，
Figure BDA00038026244100000417
为均匀分布采样的噪声，
Figure BDA00038026244100000418
为对应
Figure BDA00038026244100000419
的gumbel噪声，τ为温度参数，用于控制采样的平滑程度；
然后获得自适应图结构的邻接矩阵：
Figure BDA00038026244100000420
Aa＝[aij]。
进一步地，步骤3构建的无监督多源时序图卷积网络模型由两个模块构成：第一个是时空特征提取网络模块，第二个是分割重构异常检测模块；多源时间序列样本与步骤2中的先验图结构和自适应图结构输入时空特征提取网络模块，得到样本的时空特征，将时空特征输入分割重构异常检测模块，得到样本的异常状态评分，实现异常检测。
进一步地，所述时空特征提取网络模块由多层时空特征提取层组成并通过跳跃连接相连；时空特征提取层包括时序卷积、基于先验图结构的图注意力卷积、基于自适应图结构的图注意力卷积三部分，其中基于先验图结构的图注意力卷积和基于自适应图结构的图注意力卷积均包括注意力计算和状态更新两步：
注意力计算过程如下：
Figure BDA0003802624410000051
Figure BDA0003802624410000052
式中，
Figure BDA0003802624410000053
为输入该图卷积层的节点i特征，
Figure BDA0003802624410000054
为输入的节点j特征，ω为能够训练的权重矩阵，Ni为节点i的邻居节点集合，eij为节点i,j特征的相似度，αij为计算得到的注意力权重；
状态更新过程如下：
Figure BDA0003802624410000055
式中，σ为激活函数，
Figure BDA0003802624410000056
为输入的节点i特征，
Figure BDA0003802624410000057
为更新后输出的节点i特征。
进一步地，所述分割重构异常检测模块包含两个编码器，一个解码器；两个编码器结构相同，分别由卷积层、批归一化层和激活函数组成，解码器由转置卷积层、批归一化层、激活函数组成；时空特征提取网络输出的时空特征
Figure BDA0003802624410000061
经过分割后，得到
Figure BDA0003802624410000062
将hu,hd输入两个编码器，得到隐藏向量hidu和hidd，随后利用同一个解码器对两部分隐藏向量进行解码重构，过程公式化如下：
hidu＝Eu(hu)
hidd＝Ed(hd)
outu＝D(hidu)
outd＝D(hidd)
式中，Eu,Ed,D分别代表两个编码和一个解码网络，hu为时空特征前半部分，hd为时空特征后半部分，hidu和hidd为编码后的隐藏向量，outu和outd为解码后重构的输出。
进一步地，步骤4利用训练集对网络模型进行优化时，优化对象为步骤3构建的网络模型中的参数以及步骤2中构建的自适应图结构学习模块的参数，优化目标为最小化训练损失，训练损失计算过程如下：
首先，对输入的多源时间序列样本
Figure BDA0003802624410000063
进行分割得到
Figure BDA0003802624410000064
Figure BDA0003802624410000065
计算重构损失
Figure BDA0003802624410000066
Figure BDA0003802624410000067
式中，xu,xd分别为输入的多源时间序列样本分割后得到的两部分片段，outu,outd分别为重构得到的两部分输出；
其次计算自适应图稀疏性损失
Figure BDA0003802624410000068
Figure BDA0003802624410000069
式中，
Figure BDA00038026244100000610
为自适应图结构中节点i,j存在边的概率,N为传感器数量；
再次，计算时空特征分布损失
Figure BDA00038026244100000611
即编码后两部分隐藏向量hidu和hidd之间的最大平均差异：
Figure BDA0003802624410000071
式中，hidu,hidd分别为编码后的两部分隐藏向量，φ(·)为从原始空间到再生希尔伯特空间的一个映射，s为训练时使用的批大小；
最后，得到训练损失
Figure BDA0003802624410000072
Figure BDA0003802624410000073
式中，λ1>0,λ2<0，λ1,λ2为预设参数，
Figure BDA0003802624410000074
为重构误差，
Figure BDA0003802624410000075
为自适应图稀疏性损失，
Figure BDA0003802624410000076
为时空特征分布损失。
进一步地，步骤5中利用训练集数据进行状态评估，获得异常状态评分并根据训练集状态评分计算阈值，异常状态评分及阈值计算如下：
异常状态评分为：
Figure BDA0003802624410000077
式中，λ2<0，λ2为预设参数，
Figure BDA0003802624410000078
为重构误差，
Figure BDA0003802624410000079
为时空特征分布损失；
得到阈值如下：
Figure BDA00038026244100000710
式中，t为异常状态评分的阈值，NS为参与阈值计算的样本数量，scorei为第i个样本的异常状态评分。
进一步地，步骤6中异常状态检测结果如下表示：
Figure BDA00038026244100000711
式中，Xi为检测样本，t为异常状态评分的阈值，state(Xi)为样本的状态，score为样本的异常状态评分。
与现有技术相比，本发明具有以下有益的技术效果：
1)本发明采用图神经网络融合多源数据信息，将多源数据各通道以图节点进行表示，并结合数据内部关联以及先验信息构建图结构，利用图注意力卷积聚合各个节点信息，全面有效融合多源数据特征；
2)本发明结合时序卷积与图卷积方式，提取多源数据时空特征，并采用分割特征结合卷积自编码器进行重构，强行扩大编码后隐藏特征之间的距离，以强化模型对正常数据的识别能力同时提高对异常数据的敏感性；
3)本发明提出的一种基于时空特征分割重构的动力装备系统异常智能检测方法，能够在无异常样本的条件下对设备系统异常状态进行准确识别，有效解决了因多源数据难以融合导致异常检测方法检测效率低下的问题。
附图说明
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明方法的流程图；
图2为本发明方法所构建模型的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种基于时空特征分割重构的系统异常检测方法，如图1所示，包括以下步骤：
步骤1：从设备状态监测平台获取多源监测数据，将其以特定长度截取后获得多源时间序列样本，对每条样本进行预处理，得到多源数据集，并划分为训练集和测试集。预处理过程主要为标准分数归一化，其公式如下：
Figure BDA0003802624410000091
式中，
Figure BDA0003802624410000092
为归一化后数据，xi·为第i个通道数据，xij为第i个通道中第j个数据点，μ为xi·各数据点均值，σ为xi·各数据点标准差。
归一化处理后，可以加快后续模型训练时的收敛速度，减小数值差距过大对模型训练的影响，同时，归一化后，数据各部分的信息能够得到保留，不会使得数值过小的值失去其包含的信息。
步骤2：在步骤1中所得的多源时间序列样本上，结合设备自身结构的先验知识，根据专家经验，构建先验图结构，形成各个节点之间的联系，并构建自适应图结构学习模块，得到自适应图结构。
先验图结构能够在多源数据融合时，保留机械设备自身结构对数据融合的影响，并且约束后续自适应图结构的学习过程。
自适应图结构学习模块随着模型优化过程得到更新，并输出自适应图结构，对于输入的任意多源时间序列样本
Figure BDA0003802624410000101
n为样本通道数量，l为样本长度，其自适应图结构可以表示为
Figure BDA0003802624410000102
节点特征矩阵
Figure BDA0003802624410000103
Figure BDA0003802624410000104
邻接矩阵
Figure BDA0003802624410000105
构建自适应图结构的邻接矩阵过程包括：参数化节点之间存在边的概率pij，利用gumbel-softmax技巧采样出节点之间的边,用
Figure BDA0003802624410000106
分别表示存在边和不存在边两种状态，获得自适应图结构的邻接矩阵Aa；具体构建过程如下：
首先，参数化节点之间存在边的概率：
Figure BDA0003802624410000107
其中，N为节点数量，即多源数据通道数量；
Figure BDA0003802624410000108
为存在边的概率；
Figure BDA0003802624410000109
为不存在边的概率；
其次，从均匀分布采样噪声
Figure BDA00038026244100001010
计算对应gumbel噪声
Figure BDA00038026244100001011
Figure BDA00038026244100001012
Figure BDA00038026244100001013
Figure BDA00038026244100001014
式中，
Figure BDA00038026244100001015
为均匀分布采样的噪声，
Figure BDA00038026244100001016
为对应
Figure BDA00038026244100001017
的gumbel噪声。上述两式表示了
Figure BDA00038026244100001018
与
Figure BDA00038026244100001019
的对应计算关系。
最后，根据
Figure BDA00038026244100001020
计算得到边的状态变量
Figure BDA00038026244100001021
Figure BDA00038026244100001022
式中，
Figure BDA00038026244100001023
为均匀分布采样的噪声，
Figure BDA00038026244100001024
为对应
Figure BDA00038026244100001025
的gumbel噪声,，τ为温度参数，用于控制采样的平滑程度；
然后获得自适应图结构的邻接矩阵：
Figure BDA0003802624410000111
Aa＝[aij]
步骤3：构建用于系统异常检测的无监督多源时序图卷积网络模型。
模型结构如图2所示，整体模型分为两个模块，第一个是时空特征提取网络模块，第二个是分割重构异常检测模块；多源数据样本与步骤2中的两类图结构输入时空特征提取网络模块，得到样本的时空特征，将该时空特征输入分割重构异常检测模块，得到样本的异常状态评分，实现异常检测。
根据步骤2中得到的自适应图结构与先验图结构，进行多源时序数据的时空特征提取。时空特征提取网络模块由多层时空特征提取层组成并通过跳跃连接相连；时空特征提取层包括时序卷积、基于先验图结构的图注意力卷积、基于自适应图结构的图注意力卷积三部分。其中基于先验图结构的图注意力卷积和基于自适应图结构的图注意力卷积均包括注意力计算和状态更新两步：
注意力计算过程如下：
Figure BDA0003802624410000112
Figure BDA0003802624410000113
式中，
Figure BDA0003802624410000114
为输入的节点i特征，
Figure BDA0003802624410000115
为输入的节点j特征，ω为一个可以训练的权重矩阵，Ni为节点i的邻居节点集合，eij为节点i,j特征的相似度，αij为计算得到的注意力权重；
状态更新过程如下：
Figure BDA0003802624410000121
式中，σ为激活函数，
Figure BDA0003802624410000122
为输入该图卷积层的节点i特征，
Figure BDA0003802624410000123
为该图卷积层输出的节点特征。
分割重构异常检测网络基于卷积自编码器，包含两个编码器，一个解码器；两个编码器结构相同，分别由卷积层、批归一化层和激活函数组成，解码器由转置卷积层、批归一化层、激活函数组成；时空特征提取网络输出的时空特征
Figure BDA0003802624410000124
经过分割后，得到
Figure BDA0003802624410000125
将hu,hd输入两个编码器，得到隐藏向量hidu,hidd，随后利用同一个解码器对两部分隐藏向量进行解码重构，过程公式化如下：
hidu＝Eu(hu)
hidd＝Ed(hd)
outu＝D(hidu)
outd＝D(hidd)
式中，Eu,Ed,D分别代表编码解码网络，hu为时空特征前半部分，hd为时空特征后半部分，hidu和hidd为编码后的隐藏向量，outu和outd为解码后重构的输出。
步骤4：利用步骤1中划分的训练集对步骤3构建的深度网络模型进行优化。
优化对象为步骤3构建的网络模型中的参数以及步骤2中构建的自适应图结构学习模块的参数。
模型优化目标为最小化训练损失，训练损失包含三部分：分割重构损失
Figure BDA0003802624410000126
自适应图结构稀疏性损失
Figure BDA0003802624410000127
时空特征分布损失
Figure BDA0003802624410000128
计算过程如下所示：
首先，对输入的多源时间序列样本
Figure BDA0003802624410000131
进行分割得到
Figure BDA0003802624410000132
Figure BDA0003802624410000133
计算重构损失
Figure BDA0003802624410000134
Figure BDA0003802624410000135
式中，xu,xd分别为输入的多源时间序列样本分割后得到的两部分片段，outu,outd分别为重构得到的两部分输出。
其次计算自适应图稀疏性损失
Figure BDA0003802624410000136
Figure BDA0003802624410000137
式中，
Figure BDA0003802624410000138
为自适应图结构中节点i,j存在边的概率,N为传感器数量。
再次，计算时空特征分布损失
Figure BDA0003802624410000139
即编码后两部分隐藏向量hidu和hidd之间的最大平均差异：
Figure BDA00038026244100001310
式中，hidu,hidd分别为编码后的两部分隐藏向量，φ(·)为从原始空间到再生希尔伯特空间的一个映射，s为训练时使用的批大小。
最后，得到训练损失
Figure BDA00038026244100001311
Figure BDA00038026244100001312
式中，λ1>0,λ2<0，λ1,λ2为预设参数，
Figure BDA00038026244100001313
为分割重构损失，
Figure BDA00038026244100001314
为保持自适应图结构稀疏性的损失项，
Figure BDA00038026244100001315
为扩大正常样本特征空间的损失项。
保持自适应图结构稀疏性的目的是提高多源数据融合的效率并减少噪声的影响。扩大时空特征分布差异的目的是提高解码器对正常样本特征空间的认知，以降低模型正常样本的误判率。
步骤5：利用步骤1中的训练集数据进行状态评估，获得异常状态评分并根据训练集状态评分计算阈值，异常状态评分及阈值计算如下：
异常状态评分为：
Figure BDA0003802624410000141
式中，λ2<0，λ2为预设参数，
Figure BDA0003802624410000142
为重构损失，
Figure BDA0003802624410000143
为时空特征分布损失。
得到阈值如下：
Figure BDA0003802624410000144
式中，t为异常状态评分的阈值，Ns为参与阈值计算的样本数量，scorei为第i个样本的异常状态评分。
步骤6：根据步骤5得到的阈值，对步骤1中的测试集进行异常状态检测，异常状态检测结果如下表示：
Figure BDA0003802624410000145
式中，t为异常状态评分的阈值，state(Xi)为该样本的状态，score为异常状态评分。
下面结合具体实施实例对本发明做进一步详细描述：
在本实验中，分别采用了8个(数据集1)和19个(数据集2)不同或相同位置传感器采集的多源监测数据作为原始数据，对设备进行系统异常状态检测。数据集1和数据集2均使用1000个训练样本，2000个测试样本。按照本发明提出的方法，对样本进行预处理，构建先验图结构，在提出的网络模型下进行训练测试，最终在数据集1上得到99.9％的检测准确率，0的漏诊率以及0.1％的误诊率，在数据集2上得到100％的检测准确率。
本实例还在数据集1上将本方法与其它五种异常检测方法进行了对比，其它方法介绍如下：
1)OCSVM：单类支持向量机；
2)CAE-1SVM：利用卷积编码器和单类支持向量机的异常检测方法；
3)CAE：基于多通道卷积自编码器的异常检测方法；
4)memAE：基于自编码器，带有记忆模块的异常检测方法；
5)MSCRED：基于二维矩阵输入的多尺度卷积编解码异常检测方法；
测试结果如表1所示，充分表明了所提出的基于时空特征分割重构的系统异常状态检测方法的有效性。
表1不同方法检测结果对比
Figure BDA0003802624410000151
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，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:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (10)

1.基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，包括以下步骤：
步骤1：从设备状态监测平台获取多源监测数据，将多源监测数据以特定长度截取后获得多源时间序列样本，对每条多源时间序列样本进行预处理，得到多源数据集，并划分为训练集和测试集；
步骤2：在步骤1中所得多源时间序列样本上，根据动力装备自身结构的先验知识，获得先验图结构，并构建自适应图结构学习模块，输出自适应图结构；
步骤3：基于先验图结构和自适应图结构，构建用于系统异常检测的无监督多源时序图卷积网络模型；
步骤4：利用步骤1中的训练集对步骤3中所构建的无监督多源时序图卷积网络模型进行优化；
步骤5：使用步骤4中优化得到的网络模型对训练集进行系统状态评估，对获得的状态评分进行处理，计算阈值；
步骤6：使用步骤4中训练的网络模型对测试集进行系统状态评估，根据步骤5中计算得到的阈值，输出异常状态检测结果。
2.根据权利要求1所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤1中以特定长度截取具体为：将多源监测数据以特定长度L不重叠地划分得到多源时间序列样本；
步骤1中预处理采用归一化操作，具体为：对多源时间序列样本各通道单独进行归一化，并根据多源监测数据来源对多源数据集进行划分，将系统状态为正常的样本中抽选一部分作为训练集，剩余正常样本以及系统状态为异常的样本作为测试集；归一化公式如下：
Figure FDA0003802624400000021
式中，
Figure FDA0003802624400000022
为归一化后数据，xij为第i个通道中第j个数据点，μ为xi各数据点均值，σ为xi各数据点标准差，xi为第i个通道数据。
3.根据权利要求1所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤2中根据动力装备自身结构的先验知识，建立先验图结构，所述先验图结构包括图结构的邻接矩阵以及节点的特征矩阵，对于输入的任意多源时间序列样本
Figure FDA0003802624400000023
n为样本通道数量，l为样本长度，
Figure FDA0003802624400000024
表示实数集，其先验图结构样本表示为
Figure FDA0003802624400000025
节点特征矩阵
Figure FDA0003802624400000026
邻接矩阵
Figure FDA0003802624400000027
构建先验图结构的邻接矩阵方法具体如下：
首先明确多源监测数据各通道来源传感器在动力设备上的位置，其次根据传感器所在结构之间的连接关系确定邻接矩阵的值，用aij＝0表示第i个通道传感器所在位置与第j个通道传感器所在位置之间的不存在连接，aij＝1表示存在连接，获得邻接矩阵的值：
Ap＝[aij]。
4.根据权利要求3所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤2构建的自适应图结构学习模块中，将节点之间存在边的概率参数化，通过网络学习得到自适应图结构来建模多源数据的内在联系，对于输入的任意多源时间序列样本
Figure FDA0003802624400000028
n为样本通道数量，l为样本长度，其自适应图结构表示为
Figure FDA0003802624400000029
节点特征矩阵
Figure FDA00038026244000000210
Figure FDA00038026244000000211
邻接矩阵
Figure FDA00038026244000000212
构建自适应图结构的邻接矩阵过程包括：参数化节点之间存在边的概率
Figure FDA00038026244000000213
利用gumbel-softmax技巧采样出节点之间的边，用状态变量
Figure FDA00038026244000000214
分别表示存在边和不存在边两种状态，获得自适应图结构的邻接矩阵Aa，具体构建过程如下：
首先，参数化节点之间存在边的概率：
Figure FDA0003802624400000031
其中，N为节点数量，即多源数据通道数量；
Figure FDA0003802624400000032
为存在边的概率；
Figure FDA0003802624400000033
为不存在边的概率；
其次，从均匀分布采样噪声
Figure FDA0003802624400000034
计算对应gumbel噪声
Figure FDA0003802624400000035
Figure FDA0003802624400000036
Figure FDA0003802624400000037
Figure FDA0003802624400000038
式中，
Figure FDA0003802624400000039
为均匀分布采样的噪声，
Figure FDA00038026244000000310
为对应
Figure FDA00038026244000000311
的gumbel噪声；
最后，根据
Figure FDA00038026244000000312
计算得到边的状态变量
Figure FDA00038026244000000313
Figure FDA00038026244000000314
式中，
Figure FDA00038026244000000315
为均匀分布采样的噪声，
Figure FDA00038026244000000316
为对应
Figure FDA00038026244000000317
的gumbel噪声，τ为温度参数，用于控制采样的平滑程度；
然后获得自适应图结构的邻接矩阵：
Figure FDA00038026244000000318
Aa＝[aij]。
5.根据权利要求1所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤3构建的无监督多源时序图卷积网络模型由两个模块构成：第一个是时空特征提取网络模块，第二个是分割重构异常检测模块；多源时间序列样本与步骤2中的先验图结构和自适应图结构输入时空特征提取网络模块，得到样本的时空特征，将时空特征输入分割重构异常检测模块，得到样本的异常状态评分，实现异常检测。
6.根据权利要求5所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，所述时空特征提取网络模块由多层时空特征提取层组成并通过跳跃连接相连；时空特征提取层包括时序卷积、基于先验图结构的图注意力卷积、基于自适应图结构的图注意力卷积三部分，其中基于先验图结构的图注意力卷积和基于自适应图结构的图注意力卷积均包括注意力计算和状态更新两步：
注意力计算过程如下：
Figure FDA0003802624400000041
Figure FDA0003802624400000042
式中，
Figure FDA0003802624400000043
为输入该图卷积层的节点i特征，
Figure FDA0003802624400000044
为输入的节点j特征，ω为能够训练的权重矩阵，Ni为节点i的邻居节点集合，eij为节点i,j特征的相似度，αij为计算得到的注意力权重；
状态更新过程如下：
Figure FDA0003802624400000045
式中，σ为激活函数，
Figure FDA0003802624400000046
为输入的节点i特征，
Figure FDA0003802624400000047
为更新后输出的节点i特征。
7.根据权利要求6所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，所述分割重构异常检测模块包含两个编码器，一个解码器；两个编码器结构相同，分别由卷积层、批归一化层和激活函数组成，解码器由转置卷积层、批归一化层、激活函数组成；时空特征提取网络输出的时空特征
Figure FDA0003802624400000051
经过分割后，得到
Figure FDA0003802624400000052
将hu,hd输入两个编码器，得到隐藏向量hidu和hidd，随后利用同一个解码器对两部分隐藏向量进行解码重构，过程公式化如下：
hidu＝Eu(hu)
hidd＝Ed(hd)
outu＝D(hidu)
outd＝D(hidd)
式中，Eu,Ed,D分别代表两个编码和一个解码网络，hu为时空特征前半部分，hd为时空特征后半部分，hidu和hidd为编码后的隐藏向量，outu和outd为解码后重构的输出。
8.根据权利要求7所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤4利用训练集对网络模型进行优化时，优化对象为步骤3构建的网络模型中的参数以及步骤2中构建的自适应图结构学习模块的参数，优化目标为最小化训练损失，训练损失计算过程如下：
首先，对输入的多源时间序列样本
Figure FDA0003802624400000053
进行分割得到
Figure FDA0003802624400000054
Figure FDA0003802624400000055
计算重构损失
Figure FDA0003802624400000056
Figure FDA0003802624400000057
式中，xu,xd分别为输入的多源时间序列样本分割后得到的两部分片段，outu,outd分别为重构得到的两部分输出；
其次计算自适应图稀疏性损失
Figure FDA0003802624400000058
Figure FDA0003802624400000059
式中，
Figure FDA0003802624400000061
为自适应图结构中节点i,j存在边的概率,N为传感器数量；
再次，计算时空特征分布损失
Figure FDA00038026244000000612
即编码后两部分隐藏向量hidu和hidd之间的最大平均差异：
Figure FDA0003802624400000062
式中，hidu,hidd分别为编码后的两部分隐藏向量，φ(·)为从原始空间到再生希尔伯特空间的一个映射，s为训练时使用的批大小；
最后，得到训练损失
Figure FDA0003802624400000063
Figure FDA0003802624400000064
式中，λ1>0,λ2<0，λ1,λ2为预设参数，
Figure FDA0003802624400000065
为重构误差，
Figure FDA0003802624400000066
为自适应图稀疏性损失，
Figure FDA0003802624400000067
为时空特征分布损失。
9.根据权利要求8所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤5中利用训练集数据进行状态评估，获得异常状态评分并根据训练集状态评分计算阈值，异常状态评分及阈值计算如下：
异常状态评分为：
Figure FDA0003802624400000068
式中，λ2<0，λ2为预设参数，
Figure FDA0003802624400000069
为重构误差，
Figure FDA00038026244000000610
为时空特征分布损失；
得到阈值如下：
Figure FDA00038026244000000611
式中，t为异常状态评分的阈值，NS为参与阈值计算的样本数量，scorei为第i个样本的异常状态评分。
10.根据权利要求9所述的基于时空特征分割重构的动力装备系统异常检测方法，其特征在于，步骤6中异常状态检测结果如下表示：
Figure FDA0003802624400000071
式中，Xi为检测样本，t为异常状态评分的阈值，state(Xi)为样本的状态，score为样本的异常状态评分。
CN202210987922.0A 2022-08-17 2022-08-17 基于时空特征分割重构的动力装备系统异常检测方法 Pending CN115293280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210987922.0A CN115293280A (zh) 2022-08-17 2022-08-17 基于时空特征分割重构的动力装备系统异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210987922.0A CN115293280A (zh) 2022-08-17 2022-08-17 基于时空特征分割重构的动力装备系统异常检测方法

Publications (1)

Publication Number Publication Date
CN115293280A true CN115293280A (zh) 2022-11-04

Family

ID=83830861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210987922.0A Pending CN115293280A (zh) 2022-08-17 2022-08-17 基于时空特征分割重构的动力装备系统异常检测方法

Country Status (1)

Country Link
CN (1) CN115293280A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451118A (zh) * 2023-04-19 2023-07-18 西安电子科技大学 基于深度学习的雷达光电异常值检测方法
CN116541794A (zh) * 2023-07-06 2023-08-04 中国科学技术大学 一种基于自适应图注意网络的传感器数据异常检测方法
CN116560277A (zh) * 2023-05-17 2023-08-08 北京科技大学顺德创新学院 一种基于图神经网络的冷轧工业过程监测方法
CN116662920A (zh) * 2023-07-31 2023-08-29 深圳大学 钻爆法施工装备异常数据辨识方法、系统、装备及介质
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117093947A (zh) * 2023-10-20 2023-11-21 深圳特力自动化工程有限公司 一种发电柴油机运行异常监测方法及系统
CN117151649A (zh) * 2023-09-15 2023-12-01 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117349770A (zh) * 2023-09-19 2024-01-05 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117951585A (zh) * 2024-03-27 2024-04-30 国网山东省电力公司曲阜市供电公司 一种电力设备运行状态实时检测方法及系统

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451118A (zh) * 2023-04-19 2023-07-18 西安电子科技大学 基于深度学习的雷达光电异常值检测方法
CN116451118B (zh) * 2023-04-19 2024-01-30 西安电子科技大学 基于深度学习的雷达光电异常值检测方法
CN116560277A (zh) * 2023-05-17 2023-08-08 北京科技大学顺德创新学院 一种基于图神经网络的冷轧工业过程监测方法
CN116541794A (zh) * 2023-07-06 2023-08-04 中国科学技术大学 一种基于自适应图注意网络的传感器数据异常检测方法
CN116541794B (zh) * 2023-07-06 2023-10-20 中国科学技术大学 一种基于自适应图注意网络的传感器数据异常检测方法
CN116662920A (zh) * 2023-07-31 2023-08-29 深圳大学 钻爆法施工装备异常数据辨识方法、系统、装备及介质
CN116662920B (zh) * 2023-07-31 2023-10-24 深圳大学 钻爆法施工装备异常数据辨识方法、系统、装备及介质
CN117151649A (zh) * 2023-09-15 2023-12-01 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117151649B (zh) * 2023-09-15 2024-02-23 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117349770A (zh) * 2023-09-19 2024-01-05 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117349770B (zh) * 2023-09-19 2024-05-14 武汉理工大学 一种结构健康监测多应变传感器数据异常检测与修复方法
CN117074627B (zh) * 2023-10-16 2024-01-09 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117074627A (zh) * 2023-10-16 2023-11-17 三科智能(山东)集团有限公司 基于人工智能的医疗实验室空气质量监测系统
CN117093947A (zh) * 2023-10-20 2023-11-21 深圳特力自动化工程有限公司 一种发电柴油机运行异常监测方法及系统
CN117093947B (zh) * 2023-10-20 2024-02-02 深圳特力自动化工程有限公司 一种发电柴油机运行异常监测方法及系统
CN117951585A (zh) * 2024-03-27 2024-04-30 国网山东省电力公司曲阜市供电公司 一种电力设备运行状态实时检测方法及系统

Similar Documents

Publication Publication Date Title
CN115293280A (zh) 基于时空特征分割重构的动力装备系统异常检测方法
CN113496262B (zh) 数据驱动的有源配电网异常状态感知方法及系统
CN110071913B (zh) 一种基于无监督学习的时间序列异常检测方法
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
CN111428789A (zh) 一种基于深度学习的网络流量异常检测方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN112966714B (zh) 一种边缘时序数据异常检测和网络可编程控制方法
CN111275198B (zh) 一种轴承异常检测方法及系统
CN112070322B (zh) 基于长短期记忆网络的高压电缆线路运行状态预测方法
CN112163020A (zh) 一种多维时间序列异常检测方法及检测系统
CN114139624A (zh) 一种基于集成模型挖掘时间序列数据相似性信息的方法
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN117421684B (zh) 基于数据挖掘和神经网络的异常数据监测与分析方法
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
KR102366787B1 (ko) 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템
CN114861740B (zh) 基于多头注意力机制的自适应机械故障诊断方法及系统
CN117132919A (zh) 一种多尺度高维特征分析无监督学习视频异常检测方法
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN116910657A (zh) 一种基于无监督学习的故障诊断方法和设备
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法
CN117591942B (zh) 一种用电负荷数据异常检测方法、系统、介质及设备

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