CN116541794A - 一种基于自适应图注意网络的传感器数据异常检测方法 - Google Patents

一种基于自适应图注意网络的传感器数据异常检测方法 Download PDF

Info

Publication number
CN116541794A
CN116541794A CN202310823653.9A CN202310823653A CN116541794A CN 116541794 A CN116541794 A CN 116541794A CN 202310823653 A CN202310823653 A CN 202310823653A CN 116541794 A CN116541794 A CN 116541794A
Authority
CN
China
Prior art keywords
sensor data
graph
adaptive
network
self
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.)
Granted
Application number
CN202310823653.9A
Other languages
English (en)
Other versions
CN116541794B (zh
Inventor
卢汉成
陈波文
吴枫
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202310823653.9A priority Critical patent/CN116541794B/zh
Publication of CN116541794A publication Critical patent/CN116541794A/zh
Application granted granted Critical
Publication of CN116541794B publication Critical patent/CN116541794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及系统运维技术领域，公开了一种基于自适应图注意网络的传感器数据异常检测方法，包括：建立传感器数据之间的子图：将多个强相关的子图作为自适应图注意网络的图结构输入，然后使用自适应图注意网络对邻居传感器数据进行特征融合，得到融合后的序列：使用门控循环单元学习融合后的序列的上下文信息，并预测下一个时间的传感器数据；最后通过预测的传感器数据和观测的传感器数据之间的偏差来判断异常。本发明使用动态子图生成技术，会使独立序列的干扰更少，比使用全连接图神经网络模型的收敛速度更快；自适应图注意网络AGAT利用相关性来计算注意力系数，可以有效地从多个时间序列中提取特征。

Description

一种基于自适应图注意网络的传感器数据异常检测方法
技术领域
本发明涉及系统运维技术领域，具体涉及一种基于自适应图注意网络的传感器数据异常检测方法。
背景技术
异常检测是数据挖掘中的一个重要课题，在工业界有着广泛的应用。快速准确的异常检测可以帮助工业系统持续监控关键指标的时间序列，并对潜在事件进行预警。单个时间序列的异常很容易被检测到，但是随着系统的升级和发展，记录的关键指标的时间序列越来越多。随着时间序列数据维度的增加，人类手动监控这些数据的能力变得越来越具有挑战性。
基于图神经网络(Graph Neural Network,GNN)的最新技术改进了高维数据集中的异常检测。例如，MTAD-GAT(Zhang 等人. 2020)通过图注意力网络(Graph AttentionNetwork，GAT) (Velickovic 等人.2017)学习多元时间序列的特征维度和时间维度之间的关系，并发现潜在的高维多元时间序列中的异常。图偏差网络(Graph Deviation Network，GDN)（Deng 等人. 2021）采用嵌入（Embedding）技术学习多元时间序列的潜在关系，用Embedding表示各序列时间的关系，便于操作人员诊断和定位异常。然而，现有方法使用GAT直接学习注意力系数并聚合相邻时间序列的特征，粗略且低效。因为现实场景中的时间序列有多种模式，比如平稳的、不规则波动的、周期性的。这些现有的基于GAT的方法都使用全连接图，这导致GAT图学习的计算资源浪费、模型训练收敛慢，并可能导致聚合结果不准确。多元时间序列中存在丰富的信息，例如序列之间可能存在相似变化趋势，以及个别序列内部变化缓慢的趋势。然而，由于GAT不是为多变量时间序列设计的，利用GAT融合多元时间序列特征时无法充分利用其中包含的信息，只能粗略提取其内部的部分特征。
发明内容
为解决上述技术问题，本发明提供一种基于自适应图注意网络的传感器数据异常检测方法。
为解决上述技术问题，本发明采用如下技术方案：
一种基于自适应图神经网络的传感器数据异常检测方法，包括以下步骤：
步骤一，建立传感器数据之间的子图：
在各传感器数据之间建立全连接图，节点代表传感器数据，边代表传感器数据之间的依赖关系，并通过以下方式将全连接图拆分为多个强相关的子图：如果两个传感器数据之间的相关系数超过设定阈值，则保留两个传感器数据对应的节点间的边，否则，取消所述两个传感器数据对应的节点间的边；
步骤二：将多个强相关的子图作为自适应图注意网络的图结构输入，然后使用自适应图注意网络对邻居传感器数据进行特征融合，得到融合后的序列：
使用自适应图注意网络对邻居传感器数据进行特征融合时，节点i和节点j之间的权重为：
；
表示激活函数，/>表示计算相关系数，/>为高维映射矩阵，/>表示第i个传感器数据，/>表示第j个传感器数据，/>表示第i个传感器的邻居传感器，/>表示第k个传感器数据，/>；
步骤三：使用门控循环单元学习融合后的序列的上下文信息，并预测下一个时间的传感器数据值。
步骤四：通过预测的传感器数据值和观测的传感器数据值之间的偏差来判断异常。
进一步地，步骤一中，如果两个传感器数据之间的相关系数超过设定阈值，则保留两个传感器数据对应的节点间的边，否则，取消所述两个传感器数据对应的节点间的边，具体包括：
表示两个节点i和j之间的关系，/>，/>表示节点i和j之间有边，/>表示节点i和j之间没有边；/>的定义如下：
；
其中threshold为设定阈值，threshold=0.65，为节点i对应的传感器数据，/>为节点j对应的传感器数据。
进一步地，计算两个传感器数据之间的相关系数时：
；
其中表示传感器数据/>和传感器数据/>的协方差，/>、/>分别表示传感器数据/>的方差和传感器数据/>的方差。
与现有技术相比，本发明的有益技术效果是：
当使用本发明中的动态图神经网络(Dynamic Graph Neural Networks，DGNN)模型进行时间序列异常检测时，动态子图生成技术使用更少的边，会使独立序列的干扰更少，DGNN模型比使用全连接图神经网络GNN的收敛速度更快。自适应图注意网络(AdaptiveGraph Attention Network，AGAT)利用相关性来计算注意力系数，与图注意力网络GAT相比，它可以有效地从多个时间序列中提取特征；通过这两方面的改进，DGNN模型可以有更快的收敛速度和时间序列异常检测的准确性。
附图说明
图1为本发明异常检测模型的整体流程图；
图2为本发明使用动态子图生成技术构建子图的示意图；
图3为本发明通过计算相关系数矩阵构建子图的示意图；
图4为本发明自适应图注意网络AGAT的结构示意图；
图5为本发明实施例中使动态子图生成技术构建子图的流程图；
图6为基于图注意力网络GAT和基于本发明得到的图结构的对比示意图；
图7为本发明实施例中使用自适应图注意网络AGAT进行特征融合的示意图；
图8为本发明实施例中基于门控循环单元的预测模块的示意图；
图9为本发明实施例中进行偏差计算的示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
为了实现上述技术目的，本发明的技术方案是：
如图1所示，本发明中传感器数据异常检测方法，对输入的传感器数据使用动态子图生成(Dynamic Subgraph Generation，DSG)技术生成动态子图来替换以往基于图神经网络GNN的时间序列异常检测模型全连接图，接着使用自适应图注意网络来对传感器数据进行序列间数据融合，然后使用门控循环单元(Gated Recurrent Unit，GRU)模型来获取融合后序列的自身上下文信息并对下一个时间点传感器数据进行预测，最后通过比对预测值和真实值的偏差程度来检测异常。其中，传感器数据是一种时间序列数据。
本发明中的传感器数据异常检测方法，具体如下。
（1）首先，建立传感器数据（由传感器产生）之间的子图。为了实现这一点，本发明使用了一个无向图，其中节点表示传感器数据，边表示节点之间的依赖关系。连接两个传感器数据的边表示两个传感器可以相互模拟彼此的行为。在本发明提出的动态子图生成方法中，使用相关系数来建立子图。具体来说，如果节点的特征的相关系数超过了指定的阈值，用一条边连接两个节点。相关系数衡量的是两组传感器数据和/>之间的线性相关程度，是两者的协方差和标准差乘积之比。本质上，相关系数是协方差的标准化度量，其值范围在-1到1之间。相关系数/>定义如下：
；
其中Cov(X,Y)表示X和Y的协方差，Var[X]和Var[Y]分别表示X和Y的方差。
表示两个节点i和j之间的关系，即第i个传感器数据和第j个传感器数据之间的关系，/>，/>表示节点i和j之间有边，/>表示节点i和j之间没有边。/>定义如下：
；
其中threshold为经验值，默认是0.65。
通过动态子图生成方法构建子图过程如图2所示，通过动态子图生成方法可以将全连接图划分成多个强连接的子图。
图3是动态子图生成的一个实例，通过计算各个传感器数据的相关系数矩阵，可以将传感器数据划分成三个强连接子图。图3中，A代表阶梯形的传感器数据、B代表波动的传感器数据、C代表突刺形的传感器数据。
（2）使用上一步生成的多个强相关子图作为自适应图注意网络的图结构输入，然后使用自适应图注意网络AGAT进行邻居传感器数据的特征融合。自适应图注意网络AGAT的结构如图4所示。
图注意力网络GAT计算注意力权重的计算公式为：
；
其中是一个用于将传感器数据向高维映射的矩阵；/>表示对于节点i,j变换后的特征进行了拼接（concatenate）；/>是另外一个可学习矩阵，用于将拼接后数据映射到一维，也就是没有归一化之前的权重。
由于图注意力网络GAT最初不是针对传感器数据这种序列数据提出的，没有考虑传感器数据之间的潜在关系，例如序列之间的相关性。自适应图注意网络AGAT与传统的图注意力网络GAT不同，提出基于传感器数据相关性来计算权重：
；
自适应图注意网络AGAT将节点i,j之间的权重计算方法替换成相关系数，也就是将替换成/>。
（3）在自适应图注意网络AGAT完成对邻居传感器数据的特征融合后，本发明使用门控循环单元GRU来学习融合后的序列的上下文信息，并预测下一个时间的数据。
最后通过预测值和观测值的偏差来判断异常。如图1所示，虚线框的观测值出现了波动，而预测值是一条直线，两者存在较大偏差，可能出现了异常。
实施例
本发明提出的基于自适应图神经网络的传感器数据异常检测方法，主要通过动态子图生成将全连接图转换成多个强连接子图，基于自适应图注意网络AGAT融合邻居传感器数据特征，还包括基于门控循环单元GRU的预测模块组成和以及偏差计算模块。主要分为以下几个步骤：
（1）动态子图生成
通过计算传感器数据的相关性矩阵，当两个传感器数据的相关系数大于阈值（默认取0.65），将两个传感器数据代表的节点连接起来，形成一条边，然后通过边构成无向图。通过以上步骤完成了多个强连接子图的构建。图5是本发明提出的DGNN模型的构建子图的流程示意图。首先，计算传感器数据的相关性矩阵；接着，按行遍历相关性矩阵，获取大于阈值的序号对；随后，通过序号构建边；然后，将边加入到边集合中；最后，通过边集合来构建子图。
图6是目前基于图注意力网络GAT的方法和本发明中的方法的图结构输入对比。基于图注意力网络GAT的方法一般使用的是全连接图，没有考虑传感器数据之间的相关性，认为传感器数据之间的关系是以一样；本发明方法认为传感器数据之间关系是不一样的，传感器数据对相关系数高（传感器数据变化趋势相近）和相关系数低（传感器数据变化不一样）应该有所区别。本发明通过对相关系数高的传感器数据对构建边，有利于变化趋势相近的传感器数据对之间学习相互的变化趋势，同时减少不相关传感器数据的干扰。另外较少的边减少了基于GNN模型的时间复杂度，有利于加快模型收敛速度。
（2）基于自适应图注意网络AGAT进行邻居传感器数据特征融合
自适应图注意网络AGAT采用生成的子图作为模型图结构输入，并使用基于相关系数权重的图注意力网络GAT。图7是自适应图注意网络AGAT进行特征融合的示意图，X1是突刺型时传感器数据，X2和X3是波动型传感器数据，X4和X5是阶梯性传感器数据。通过动态子图生成的方式将传感器数据分成了三个子图，子图之间序列相关性高。然后，使用更符合传感器数据特征的自适应图注意网络AGAT来让子图内序列学习、融合相互的特征。
（3）基于门控循环单元GRU的预测模块
本发明使用LSTM作为预测模型，因为LSTM可以更好地使用了上下文信息。LSTM存在很多变体，本发明采用是其最常见也最常用的一种变体GRU(Gated Recurrent Unit)。门控循环单元GRU是深度神经网络的一种，图8是基于门控循环单元GRU的预测模块的示意图。
（4）偏差计算
偏差计算模块主要是通过预测值和真实值的偏差来判断异常。图9是偏差计算的示意图，图中左边是观测值，右边是预测值。可以看到左边虚线部分的传感器数据由高位下降并出现了波动，而预测值是一直处于高位。
图9中，由于第一条和第二条传感器数据相关性较高，本发明中的异常检测模型经过学习后，认为第一条和第二条传感器数据有相似的变化趋势。因此在异常出现后，由于第二条传感器数据并没有异常，一直处于高位运行；异常检测模型认为第一条传感器数据也应该保持高位运行，这与真实值出现了偏差。因此，通过真实值和预测值的偏差就可以检测到异常。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种基于自适应图神经网络的传感器数据异常检测方法，包括以下步骤：
步骤一，建立传感器数据之间的子图：
在各传感器数据之间建立全连接图，节点代表传感器数据，边代表传感器数据之间的依赖关系，并通过以下方式将全连接图拆分为多个强相关的子图：如果两个传感器数据之间的相关系数超过设定阈值，则保留两个传感器数据对应的节点间的边，否则，取消所述两个传感器数据对应的节点间的边；
步骤二：将多个强相关的子图作为自适应图注意网络的图结构输入，然后使用自适应图注意网络对邻居传感器数据进行特征融合，得到融合后的序列：
使用自适应图注意网络对邻居传感器数据进行特征融合时，节点i和节点j之间的权重为：
；
表示激活函数，/>表示计算相关系数，/>为高维映射矩阵，/>表示第i个传感器数据，/>表示第j个传感器数据，/>表示第i个传感器的邻居传感器，/>表示第k个传感器数据，/>；
步骤三：使用门控循环单元学习融合后的序列的上下文信息，并预测下一个时间的传感器数据值；
步骤四：通过预测的传感器数据值和观测的传感器数据值之间的偏差来判断异常。
2.根据权利要求1所述的基于自适应图神经网络的传感器数据异常检测方法，其特征在于，步骤一中，如果两个传感器数据之间的相关系数超过设定阈值，则保留两个传感器数据对应的节点间的边，否则，取消所述两个传感器数据对应的节点间的边，具体包括：
表示两个节点i和j之间的关系，/>，/>表示节点i和j之间有边，表示节点i和j之间没有边；/>的定义如下：
；
其中threshold为设定阈值，threshold=0.65，为节点i对应的传感器数据，/>为节点j对应的传感器数据。
3.根据权利要求2所述的基于自适应图神经网络的传感器数据异常检测方法，其特征在于，计算两个传感器数据之间的相关系数时：
；
其中表示传感器数据/>和传感器数据/>的协方差，/>、/>分别表示传感器数据/>的方差和传感器数据/>的方差。
CN202310823653.9A 2023-07-06 2023-07-06 一种基于自适应图注意网络的传感器数据异常检测方法 Active CN116541794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310823653.9A CN116541794B (zh) 2023-07-06 2023-07-06 一种基于自适应图注意网络的传感器数据异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310823653.9A CN116541794B (zh) 2023-07-06 2023-07-06 一种基于自适应图注意网络的传感器数据异常检测方法

Publications (2)

Publication Number Publication Date
CN116541794A true CN116541794A (zh) 2023-08-04
CN116541794B CN116541794B (zh) 2023-10-20

Family

ID=87454609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310823653.9A Active CN116541794B (zh) 2023-07-06 2023-07-06 一种基于自适应图注意网络的传感器数据异常检测方法

Country Status (1)

Country Link
CN (1) CN116541794B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948000A (zh) * 2019-01-09 2019-06-28 南方科技大学 异质网络的异常目标检测方法、装置、设备及存储介质
CN112364975A (zh) * 2020-10-14 2021-02-12 山东大学 基于图神经网络的终端运行状态预测方法及系统
CN113254864A (zh) * 2021-04-29 2021-08-13 中国科学院计算技术研究所数字经济产业研究院 基于节点特征和回复路径的动态子图生成方法、争议性检测方法
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
US20220101103A1 (en) * 2020-09-25 2022-03-31 Royal Bank Of Canada System and method for structure learning for graph neural networks
CN114494783A (zh) * 2022-01-27 2022-05-13 南京邮电大学 一种基于动态图神经网络的预训练方法
CN115187610A (zh) * 2022-09-08 2022-10-14 中国科学技术大学 基于图神经网络的神经元形态分析方法、设备及存储介质
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
US20220407769A1 (en) * 2021-06-16 2022-12-22 Ironwood Cyber Inc. Control system anomaly detection using neural network consensus
EP4163919A1 (en) * 2021-10-11 2023-04-12 Tata Consultancy Services Limited System and method for molecular property prediction using edge-conditioned graph attention neural network
WO2023060563A1 (en) * 2021-10-15 2023-04-20 Robert Bosch Gmbh Adaptive diffusion in graph neural networks
CN116361640A (zh) * 2023-01-09 2023-06-30 江苏电力信息技术有限公司 一种基于分层注意力网络的多变量时间序列异常检测方法
CN116361635A (zh) * 2023-06-02 2023-06-30 中国科学院成都文献情报中心 一种多维时序数据异常检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948000A (zh) * 2019-01-09 2019-06-28 南方科技大学 异质网络的异常目标检测方法、装置、设备及存储介质
US20220101103A1 (en) * 2020-09-25 2022-03-31 Royal Bank Of Canada System and method for structure learning for graph neural networks
CN112364975A (zh) * 2020-10-14 2021-02-12 山东大学 基于图神经网络的终端运行状态预测方法及系统
CN113254864A (zh) * 2021-04-29 2021-08-13 中国科学院计算技术研究所数字经济产业研究院 基于节点特征和回复路径的动态子图生成方法、争议性检测方法
US20220407769A1 (en) * 2021-06-16 2022-12-22 Ironwood Cyber Inc. Control system anomaly detection using neural network consensus
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
EP4163919A1 (en) * 2021-10-11 2023-04-12 Tata Consultancy Services Limited System and method for molecular property prediction using edge-conditioned graph attention neural network
WO2023060563A1 (en) * 2021-10-15 2023-04-20 Robert Bosch Gmbh Adaptive diffusion in graph neural networks
CN114494783A (zh) * 2022-01-27 2022-05-13 南京邮电大学 一种基于动态图神经网络的预训练方法
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
CN115187610A (zh) * 2022-09-08 2022-10-14 中国科学技术大学 基于图神经网络的神经元形态分析方法、设备及存储介质
CN116361640A (zh) * 2023-01-09 2023-06-30 江苏电力信息技术有限公司 一种基于分层注意力网络的多变量时间序列异常检测方法
CN116361635A (zh) * 2023-06-02 2023-06-30 中国科学院成都文献情报中心 一种多维时序数据异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AILIN DENG ET AL.: "Graph Neural Network-Based Anomaly Detection in Multivariate Time Series", 《ARXIV:2106.06947V1 [CS.LG]》 *
汪增辉 等: "基于动态图结构学习的多参数时间序列异常检测模型", 《信息与电脑》, no. 6 *

Also Published As

Publication number Publication date
CN116541794B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Liu et al. Fault diagnosis and cause analysis using fuzzy evidential reasoning approach and dynamic adaptive fuzzy Petri nets
Ge et al. Nonlinear process monitoring based on linear subspace and Bayesian inference
Ge et al. Mixture probabilistic PCR model for soft sensing of multimode processes
Xu et al. Distributed plant-wide process monitoring based on PCA with minimal redundancy maximal relevance
Deng et al. Modified kernel principal component analysis using double-weighted local outlier factor and its application to nonlinear process monitoring
CN109991951B (zh) 多源故障检测与诊断方法和装置
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
US20120016824A1 (en) Method for computer-assisted analyzing of a technical system
CN113312447A (zh) 基于概率标签估计的半监督日志异常检测方法
Zhang et al. Decision fusion systems for fault detection and identification in industrial processes
Jiang et al. Performance-driven optimal design of distributed monitoring for large-scale nonlinear processes
CN115373374B (zh) 基于图神经和门控循环网络的工控异常检测方法及系统
Ma et al. A novel decentralized detection framework for quality-related faults in manufacturing industrial processes
Ge et al. Probabilistic combination of local independent component regression model for multimode quality prediction in chemical processes
CN116346639A (zh) 一种网络流量预测方法、系统、介质、设备及终端
Jiang et al. Quality-driven kernel projection to latent structure model for nonlinear process monitoring
JP2003044123A (ja) プラント診断装置
Lou et al. Classification-based prediction of network connectivity robustness
Qin et al. Statistical process monitoring based on just-in-time feature analysis
JP5457737B2 (ja) プラント制御情報生成装置及び方法、並びにそのためのコンピュータプログラム
CN116541794B (zh) 一种基于自适应图注意网络的传感器数据异常检测方法
Pu et al. Research on decision-level fusion method based on structural causal model in system-level fault detection and diagnosis
Wan et al. Dynamic process monitoring based on a time-serial multi-block modeling approach
KR102504230B1 (ko) 머신러닝의 드리프트 현상 탐지를 이용한 재훈련 시스템 및 방법
Dong et al. Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring

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