CN116700213B - 基于门控循环单元的工业设备异常检测方法及相关装置 - Google Patents
基于门控循环单元的工业设备异常检测方法及相关装置 Download PDFInfo
- Publication number
- CN116700213B CN116700213B CN202310703284.XA CN202310703284A CN116700213B CN 116700213 B CN116700213 B CN 116700213B CN 202310703284 A CN202310703284 A CN 202310703284A CN 116700213 B CN116700213 B CN 116700213B
- Authority
- CN
- China
- Prior art keywords
- reconstruction
- state
- determining
- calculating
- threshold
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003860 storage Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 29
- 230000006870 function Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000145637 Lepturus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种基于门控循环单元的工业设备异常检测方法，涉及设备管理技术领域，包括：通过重构模型重构输入状态得到重构状态；输入状态包括设备的多个特征；重构模型中的编码器与解码器均包括门控循环单元；根据输入状态与重构状态计算得到重构误差，并根据重构误差确定异常分数；确定极值指标；根据重构误差与极值指标确定异常阈值；若异常分数超出异常阈值，则判定设备存在异常。该方法能够及时、高效的检测异常。本申请还公开了一种基于门控循环单元的工业设备异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
Description
技术领域
本申请涉及设备管理技术领域，特别涉及一种基于门控循环单元的工业设备异常检测方法；还涉及一种基于门控循环单元的工业设备异常检测装置、设备以及计算机可读存储介质。
背景技术
工业设备往往运行时间长，运维成本高，发生严重故障还会妨碍企业的生产运营，因此，对工业设备进行异常检测尤为必要。及时、高效的异常检测无疑会对提高生产效率、降低运维成本产生积极影响。因此，提供一种及时、高效的基于门控循环单元的工业设备异常检测方案已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种基于门控循环单元的工业设备异常检测方法，能够及时、高效的检测设备异常。本申请的另一个目的是提供一种基于门控循环单元的工业设备异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种基于门控循环单元的工业设备异常检测方法，包括：
通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
确定极值指标；
根据所述重构误差与所述极值指标确定异常阈值；
若所述异常分数超出所述异常阈值，则判定设备存在异常。
可选的，所述通过重构模型重构所述输入状态得到重构状态包括：
通过所述编码器对所述输入状态进行处理；
根据所述编码器输出的隐层状态与所述解码器输出的隐层状态，计算得到上下文向量；
通过所述解码器对所述上下文向量进行处理；
根据所述解码器输出的隐层状态计算得到所述重构状态。
可选的，所述根据输入状态与所述重构状态计算得到重构误差包括：
根据所述输入状态与所述重构状态，计算得到多元特征的重构误差与一元特征的重构误差。
可选的，所述根据所述重构误差确定异常分数包括：
根据所述一元特征的重构误差计算得到所述异常分数。
可选的，所述根据所述重构误差与极值指标确定异常阈值包括：
根据多元特征的重构误差选取极值门限；
根据多元特征的重构误差与所述极值门限，确定POT模型的尺度参数与形状参数；
根据所述极值门限，所述尺度参数、所述形状参数以及所述极值指标，确定所述异常阈值。
可选的，所述确定所述极值指标包括：
对多个所述输入状态进行分组；
根据所述输入状态的个数、组数、每组的样本量以及样本中的最大值超出极值门限的组的个数，计算得到所述极值指标。
可选的，所述根据所述编码器输出的隐层状态与解码器输出的隐层状态，计算得到上下文向量包括：
根据计算得到所述上下文向量；
式中，C为自注意力矩阵，包括多个所述上下文向量，Q为查询矩阵，K为键矩阵，V为值矩阵，M为所述特征的个数。
为解决上述技术问题，本申请还提供了一种基于门控循环单元的工业设备异常检测装置，包括：
重构模块，用于通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
计算模块，用于根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
第一确定模块，用于确定极值指标；
第二确定模块，用于根据所述重构误差与所述极值指标确定异常阈值；
判定模块，用于若所述异常分数超出所述异常阈值，则判定设备存在异常。
为解决上述技术问题，本申请还提供了一种基于门控循环单元的工业设备异常检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的基于门控循环单元的工业设备异常检测方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于门控循环单元的工业设备异常检测方法的步骤。
本申请所提供的基于门控循环单元的工业设备异常检测方法，包括：通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；确定极值指标；根据所述重构误差与所述极值指标确定异常阈值；若所述异常分数超出所述异常阈值，则判定设备存在异常。
可见，本申请所提供的基于门控循环单元的工业设备异常检测方法，重构状态矩阵并根据重构误差来找出与正常数据偏离较大而无法被有效重构的异常事件，能够及时发现潜在异常。并且，重构模型基于门控循环单元构建，可以摆脱长短期记忆网络对细胞状态与隐层状态的双重依赖，能够提高检测效率。另外，本申请中的异常阈值不是静态的，可以有效增强异常检测对复杂工业现场环境的适应能力。并且在确定异常阈值时引入了极值指标，能够有效处理平稳时间序列的相关性问题。
本申请所提供的基于门控循环单元的工业设备异常检测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种基于门控循环单元的工业设备异常检测方法的流程示意图；
图2为本申请实施例所提供的一种工业设备异常框架；
图3为本申请实施例所提供的一种GRU单元；
图4为本申请实施例所提供的一种基于门控循环单元的工业设备异常检测装置的示意图；
图5为本申请实施例所提供的一种基于门控循环单元的工业设备异常检测设备的示意图。
具体实施方式
本申请的核心是提供一种基于门控循环单元的工业设备异常检测方法，能够及时、高效的检测设备异常。本申请的另一个核心是提供一种基于门控循环单元的工业设备异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种基于门控循环单元的工业设备异常检测方法的流程示意图，参考图1所示，该方法包括：
S101：通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
为了减少不必要的数据，提高检测效率，可对源源不断采集到的时序工业数据中可能异常的数据进行标识与提取。可能异常的数据即存疑数据。对于提取的存疑数据，进一步可以进行归一化处理。
基于提取的存疑数据，构建输入状态。输入状态可表示为 表示特征或变量。输入状态xt包含M个特征或变量。多个输入特征构成多元时间序列。多元时间序列可以表示为X＝{x1,x2,...,xt,...,xT}T，T为多元时间序列的长度，即输入状态的个数。
为了及时发现异常，本实施例通过重构模型来重构数据。预先对重构模型进行训练，学习正常数据之间长时间依赖性与多特征相关性，后续基于训练好的重构模型找出与正常数据偏离较大而无法被有效重构的异常事件。
为了解决长短期记忆网络对细胞状态与隐层状态的双层依赖的问题，本实施例基于门控循环单元进行数据重构，仅通过隐层状态来传递信息，并利用重置门来控制隐层状态有多少信息被写入到当前候选集中，进而调整当前隐层状态对上一次隐层状态的信任程度。参考图2所示，编码器与解码器均包括双层的门控循环单元。
在一些实施例中，所述通过重构模型重构所述输入状态得到重构状态包括：
通过所述编码器对所述输入状态进行处理；
根据所述编码器输出的隐层状态与所述解码器输出的隐层状态，计算得到上下文向量；
通过所述解码器对所述上下文向量进行处理；
根据所述解码器输出的隐层状态计算得到所述重构状态。
参考图2所示，输入状态经过Embedding层进行降维或升维处理。Embedding层是一种空间映射。降维是利用矩阵乘法进行数据压缩。升维是将笼统的特征区分开。根据实际应用场景，通过Embedding层对输入状态进行降维或升维处理。
编码器包括双层的GRU(Gated Recurrent Unit，门控循环单元)单元，对Embedding层的输出(d1…dt...dT)进行处理。图2中的表示编码器输出的隐层状态。
GRU单元如图3所示。GRU单元状态方程如下：
式中，rt为重置门，zt为更新门，为候选状态，ht为隐层状态，表示合并后的输入，皆与上一次隐层状态ht-1有关，b＝[br,bz]T为偏置向量，xt,GRU为时序输入，It为单位矩阵，br、bz、bh为相应的偏置，wr、wz、wh为相应的权值，σ(·)表示sigmoid激活函数，g(·)表示tanh激活函数，⊙表示两个向量相同位置的元素相乘。
基于GRU单元和组合方式，可将编码器封装成一个模型，编码器的输出可表示为：
ht＝GRUCellenc(ht-1,xt,GRU)＝GRUCellenc(ht-1,dt)，t∈[1,T]。
式中，dt为Embedding层在第t个时间步输出的状态，ht-1为上一个隐层状态。特殊地，h0为初始状态。
为了降低对不敏感信息的关注度，提高任务处理的高效性与精准性，本实施例引入了注意力机制。在注意力机制中，通过点积计算来量化对编码器输出的关注程度。如果对编码器的某个输出的关注度较高，则其注意力得分较高，则在解码时对编码器的该输出给予更多的关注。
其中，根据所述编码器输出的隐层状态与解码器输出的隐层状态，计算得到上下文向量可以包括：
根据计算得到所述上下文向量；
其中，ci为上下文向量，T为多元时间序列的长度，Softmax(·)表示归一化处理，q为查询向量，k为键向量，v为值向量，M为输入状态包含的特征的个数。
q、k、v均为行向量，并且q、k、v皆是通过对输入信息进行线性加权后得到的。
为了加快计算效率，可以采用矩阵计算方式，一次性输出所有位置的上下文向量：
式中，C为自注意力矩阵，Q＝IWq为查询矩阵，K＝IWk为键矩阵，V＝IWv为值矩阵，I为注意力机制的输入矩阵，Wq、Wk、Wv皆为习得的线性变换系数矩阵。
解码器包括双层的GRU单元。上下文向量、上一个解码器的输出作为当前解码器的输入。图2中表示解码器输出的隐层状态。解码器中的GRU单元可以参考上文所述，在此不再赘述。同样可以将解码器封装成一个模型，解码器输出可以表示为：
st＝GRUCelldec(st-1,ct)，t∈[1,T]。
式中，st为解码器输出的隐层状态。
基于解码器输出的隐层状态，根据得到重构状态。
式中，为第t个时间步的重构状态，wrec与brec分别为训练阶段重构模型习得的权重与偏置。
S102：根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
重构误差用于量化原始的输入状态与重构状态之间的差异。编码器的学习目标是最小化重构误差。
在一些实施例中，所述根据输入状态与所述重构状态计算得到重构误差包括：
根据所述输入状态与所述重构状态，计算得到多元特征的重构误差与一元特征的重构误差。
多元特征的重构误差表示为：
式中，et为第t个时间步的多元特征的重构误差，Σt是协方差矩阵，且满足：
一元特征的重构误差表示为：
式中，为第t个时间步第i个特征的重构误差，M为特征的个数，|·|表示取绝对值。
异常分数反映设备发生异常的可能性大小。异常分数超出一定的阈值，表明设备发生异常的可能性较大。
在一些实施例中，所述根据所述重构误差确定异常分数包括：
根据所述一元特征的重构误差计算得到所述异常分数。
可根据如下公式计算得到多元特征的异常分数：
式中，Φ(·)为累计分布函数，μi、σi分别为第i个特征的经验均值、经验标准差。
S103：确定极值指标；
S104：根据所述重构误差与所述极值指标确定异常阈值；
工业设备状态的时间序列往往不满足独立同分布条件，为了处理平稳时间序列的相关性问题，本实施例引入了极值指标，在确定极值指标的基础上，来确定异常阈值。
在一些实施例中，所述确定所述极值指标包括：
对多个所述输入状态进行分组；
根据所述输入状态的个数、组数、每组的样本量以及样本中的最大值超出极值门限的组的个数，计算得到所述极值指标。
本实施例采用区组法来估计平稳时间序列的极值指标，将时间序列划分为每组样本量为k的T/k组，且g＝[T/k]，则极值指标满足：
式中，θ为极值指标，且0＜θ＜1，Gμ为各组中最大值大于极值门限μ的组个数。
在一些实施例中，所述根据所述重构误差与极值指标确定异常阈值包括：
根据多元特征的重构误差选取极值门限；
根据多元特征的重构误差与所述极值门限，确定POT模型的尺度参数与形状参数；
根据所述极值门限，所述尺度参数、所述形状参数以及所述极值指标，确定所述异常阈值。
POT英文全称为Peak Over Threshold。
假定重构误差序列{e1,...,et,...,eT}具有相同的分布函数F(et)，且{e1,...,et,...,eT}相互独立。记μ为一个充分大的门限。若满足et＞μ，则称et为超限值，y＝et-μ为超出量。根据EVT(Extreme Value Theory，极值理论)极值理论中的PBdH定理可知，当门限μ充分大且et＞μ时，则条件超限分布Fμ(y)服从广义Pareto分布(General ParetoDistribution，GPD)，且满足：
式中，σ＞0为尺度参数，ξ是形状参数，是尾部指数。
在用GPD拟合超出量的分布时，如何选取极值门限μ，对准确估计POT模型参数σ、ξ至关重要。当μ偏大时，筛选出的超出量个数较少，参数估计值的方差就会偏大；当μ偏小时，则不能保证条件超限分布Fμ(y)的收敛性，即不能满足PBdH定理的使用条件。
因此，可以采用样本平均超额函数法来选取极值门限μ。对于重构误差序列{e1,...,et,...,eT}，定义平均超额函数：
式中，Nμ为观测序列中超过极值门限μ的数据个数，k为某段异常样本的起始位置。根据平均超额函数曲线，能够较好地估计观测数据的尾部特征。当et≥μ时的δ(μ)函数曲线是向上倾斜时，说明形状参数ξ＞0，数据尾部为厚尾；当et≥μ时的δ(μ)函数曲线是向下倾斜时，说明形状参数ξ＜0，数据尾部为薄尾；当et≥μ时的δ(μ)函数曲线是相对水平的直线时，说明形状参数ξ＝0，数据服从指数分布。
所选取的极值门限μ满足：当et≥μ时，δ(μ)函数曲线近似为一条直线。
采用极大似然法来估计参数σ、ξ，建立对数似然函数：
式中，fμ(y)＝Fμ′(y)为概率密度函数。
对上述对数似然函数分别关于参数σ和ξ进行求偏导，并令偏导数为零，可求得尺度参数的估计值σ*与形状参数的估计值ξ*。
合理可靠的异常判断应满足：
给定一个置信水平q，存在一个判断阈值zq，使得P(et＞zq)≤q成立。
例如，假设某设备的异常阈值z0.05＝6，说明在设备正常运行状态下，观测样本的异常分数大于6的置信水平不超过5％。
采用经验分布来描述F(μ)，则再由条件概率公式整理得到F(et)的分布：
当et＞μ且阈值μ充分大时，则F(et)也近似服从GPD分布。
根据定义P(et＞zq)≤q，有1-F(et)≤q，经过化简求解可得：
引入极值指标，则按照上述异常阈值估计方法，整理可得：
式中，为引入极值指标后的异常阈值。
确定异常阈值的数学模型可表示为：
S105：若所述异常分数超出所述异常阈值，则判定设备存在异常。
当时，判定当前状态为异常；反之则判定为正常。
进一步，可以整理与记录异常检测过程中的异常事件、异常阈值、异常频次、起止时间、严重程度等，构建异常案例共享知识库。一方面可用于数据预处理过程中的存疑数据精准标识，另一方面能够为工业设备异常检测提供宝贵的案例参考。
综上所述，本申请所提供的基于门控循环单元的工业设备异常检测方法，重构状态矩阵并根据重构误差来找出与正常数据偏离较大而无法被有效重构的异常事件，能够及时发现潜在异常。并且，重构模型基于门控循环单元构建，可以摆脱长短期记忆网络对细胞状态与隐层状态的双重依赖，能够提高检测效率。另外，本申请中的异常阈值不是静态的，可以有效增强异常检测对复杂工业现场环境的适应能力。并且在确定异常阈值时引入了极值指标，能够有效处理平稳时间序列的相关性问题。
本申请还提供了一种基于门控循环单元的工业设备异常检测装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图4，图4为本申请实施例所提供的一种基于门控循环单元的工业设备异常检测装置的示意图，结合图4所示，该装置包括：
重构模块10，用于通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
计算模块20，用于根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
第一确定模块30，用于确定极值指标；
第二确定模块40，用于根据所述重构误差与所述极值指标确定异常阈值；
判定模块50，用于若所述异常分数超出所述异常阈值，则判定设备存在异常。
在上述实施例的基础上，作为一种具体的实施方式，重构模块10包括：
第一处理单元，用于通过所述编码器对所述输入状态进行处理；
第一计算单元，用于根据所述编码器输出的隐层状态与所述解码器输出的隐层状态，计算得到上下文向量；
第二处理单元，用于通过所述解码器对所述上下文向量进行处理；
第二计算单元，用于根据所述解码器输出的隐层状态计算得到所述重构状态。
在上述实施例的基础上，作为一种具体的实施方式，计算模块20具体用于：
根据所述输入状态与所述重构状态，计算得到多元特征的重构误差与一元特征的重构误差。
在上述实施例的基础上，作为一种具体的实施方式，计算模块20具体用于：
根据所述一元特征的重构误差计算得到所述异常分数。
在上述实施例的基础上，作为一种具体的实施方式，第二确定模块40包括：
极值门限选取单元，用于根据多元特征的重构误差选取极值门限；
参数确定单元，用于根据多元特征的重构误差与所述极值门限，确定POT模型的尺度参数与形状参数；
异常阈值确定单元，用于根据所述极值门限，所述尺度参数、所述形状参数以及所述极值指标，确定所述异常阈值。
在上述实施例的基础上，作为一种具体的实施方式，第一确定模块30包括：
分组单元，用于对多个所述输入状态进行分组；
计算单元，用于根据所述输入状态的个数、组数、每组的样本量以及样本中的最大值超出极值门限的组的个数，计算得到所述极值指标。
在上述实施例的基础上，作为一种具体的实施方式，第一计算单元具体用于：
根据计算得到所述上下文向量；
式中，C为自注意力矩阵，包括多个所述上下文向量，Q为查询矩阵，K为键矩阵，V为值矩阵，M为所述特征的个数。
本申请还提供了一种基于门控循环单元的工业设备异常检测设备，参考图5所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；确定极值指标；根据所述重构误差与所述极值指标确定异常阈值；若所述异常分数超出所述异常阈值，则判定设备存在异常。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；确定极值指标；根据所述重构误差与所述极值指标确定异常阈值；若所述异常分数超出所述异常阈值，则判定设备存在异常。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的基于门控循环单元的工业设备异常检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。
Claims (9)
1.一种基于门控循环单元的工业设备异常检测方法，其特征在于，包括：
通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
确定极值指标；
根据所述重构误差与所述极值指标确定异常阈值；
若所述异常分数超出所述异常阈值，则判定设备存在异常；
所述通过重构模型重构所述输入状态得到重构状态包括：
通过所述编码器对所述输入状态进行处理；
根据所述编码器输出的隐层状态与所述解码器输出的隐层状态，计算得到上下文向量；
通过所述解码器对所述上下文向量进行处理；
根据所述解码器输出的隐层状态计算得到所述重构状态。
2.根据权利要求1所述的基于门控循环单元的工业设备异常检测方法，其特征在于，所述根据输入状态与所述重构状态计算得到重构误差包括：
根据所述输入状态与所述重构状态，计算得到多元特征的重构误差与一元特征的重构误差。
3.根据权利要求2所述的基于门控循环单元的工业设备异常检测方法，其特征在于，所述根据所述重构误差确定异常分数包括：
根据所述一元特征的重构误差计算得到所述异常分数。
4.根据权利要求2所述的基于门控循环单元的工业设备异常检测方法，其特征在于，所述根据所述重构误差与极值指标确定异常阈值包括：
根据多元特征的重构误差选取极值门限；
根据多元特征的重构误差与所述极值门限，确定POT模型的尺度参数与形状参数；
根据所述极值门限，所述尺度参数、所述形状参数以及所述极值指标，确定所述异常阈值。
5.根据权利要求1所述的基于门控循环单元的工业设备异常检测方法，其特征在于，所述确定所述极值指标包括：
对多个所述输入状态进行分组；
根据所述输入状态的个数、组数、每组的样本量以及样本中的最大值超出极值门限的组的个数，计算得到所述极值指标。
6.根据权利要求1所述的基于门控循环单元的工业设备异常检测方法，其特征在于，所述根据所述编码器输出的隐层状态与解码器输出的隐层状态，计算得到上下文向量包括：
根据计算得到所述上下文向量；
式中，C为自注意力矩阵，包括多个所述上下文向量，Q为查询矩阵，K为键矩阵，V为值矩阵，M为所述特征的个数。
7.一种基于门控循环单元的工业设备异常检测装置，其特征在于，包括：
重构模块，用于通过重构模型重构输入状态得到重构状态；所述输入状态包括设备的多个特征；所述重构模型中的编码器与解码器均包括门控循环单元；
计算模块，用于根据所述输入状态与所述重构状态计算得到重构误差，并根据所述重构误差确定异常分数；
第一确定模块，用于确定极值指标；
第二确定模块，用于根据所述重构误差与所述极值指标确定异常阈值；
判定模块，用于若所述异常分数超出所述异常阈值，则判定设备存在异常；
重构模块包括：
第一处理单元，用于通过所述编码器对所述输入状态进行处理；
第一计算单元，用于根据所述编码器输出的隐层状态与所述解码器输出的隐层状态，计算得到上下文向量；
第二处理单元，用于通过所述解码器对所述上下文向量进行处理；
第二计算单元，用于根据所述解码器输出的隐层状态计算得到所述重构状态。
8.一种基于门控循环单元的工业设备异常检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的基于门控循环单元的工业设备异常检测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于门控循环单元的工业设备异常检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310703284.XA CN116700213B (zh) | 2023-06-13 | 2023-06-13 | 基于门控循环单元的工业设备异常检测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310703284.XA CN116700213B (zh) | 2023-06-13 | 2023-06-13 | 基于门控循环单元的工业设备异常检测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116700213A CN116700213A (zh) | 2023-09-05 |
| CN116700213B true CN116700213B (zh) | 2024-03-29 |
Family
ID=87840738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310703284.XA Active CN116700213B (zh) | 2023-06-13 | 2023-06-13 | 基于门控循环单元的工业设备异常检测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116700213B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
| CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
| CN114881157A (zh) * | 2022-05-17 | 2022-08-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀工作状态的检测方法、装置、设备和存储介质 |
| CN114997296A (zh) * | 2022-05-26 | 2022-09-02 | 中国人民解放军战略支援部队信息工程大学 | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 |
| CN115017206A (zh) * | 2022-05-17 | 2022-09-06 | 中国矿业大学 | 一种矿井co异常扰动智能识别及煤自燃预警值确定方法 |
| WO2023275598A1 (en) * | 2021-06-30 | 2023-01-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for detecting and explaining anomalies |
| CN115903741A (zh) * | 2022-11-18 | 2023-04-04 | 南京信息工程大学 | 一种工业控制系统数据异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3984172B1 (en) * | 2019-06-13 | 2024-03-06 | Tata Consultancy Services Limited | Method and system for industrial anomaly detection |
-
2023
- 2023-06-13 CN CN202310703284.XA patent/CN116700213B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658423A (zh) * | 2020-10-23 | 2021-11-16 | 秦胜君 | 基于循环门控单元的车辆轨迹异常检测方法 |
| CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
| WO2023275598A1 (en) * | 2021-06-30 | 2023-01-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for detecting and explaining anomalies |
| CN114881157A (zh) * | 2022-05-17 | 2022-08-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀工作状态的检测方法、装置、设备和存储介质 |
| CN115017206A (zh) * | 2022-05-17 | 2022-09-06 | 中国矿业大学 | 一种矿井co异常扰动智能识别及煤自燃预警值确定方法 |
| CN114997296A (zh) * | 2022-05-26 | 2022-09-02 | 中国人民解放军战略支援部队信息工程大学 | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 |
| CN115903741A (zh) * | 2022-11-18 | 2023-04-04 | 南京信息工程大学 | 一种工业控制系统数据异常检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于改进LSTM的电离层参数预测模型研究;冯伟臣;《中国优秀硕士学位论文全文数据库 信息科技辑》(第11期);8-21 * |
| 基于深度门控循环单元神经网络的刀具磨损状态实时监测方法;陈启鹏;谢庆生;袁庆霓;黄海松;魏琴;李宜汀;;计算机集成制造系统(第07期);全文 * |
| 应用系统监控指标异常检测方法研究与应用;曹钰聪;《万方学位论文》;5-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116700213A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A similarity-based prognostics approach for remaining useful life estimation of engineered systems | |
| CN114297936A (zh) | 一种数据异常检测方法及装置 | |
| CN111783845B (zh) | 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法 | |
| CN113076215A (zh) | 一种独立于数据类型的无监督异常检测方法 | |
| CN111260893A (zh) | 一种海洋平台推进器故障预警方法和装置 | |
| CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
| CN115982235A (zh) | 一种异常时序数据检测方法、设备及介质 | |
| CN116346639A (zh) | 一种网络流量预测方法、系统、介质、设备及终端 | |
| CN112948743B (zh) | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 | |
| CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
| CN116700213B (zh) | 基于门控循环单元的工业设备异常检测方法及相关装置 | |
| CN117390836A (zh) | 一种基于bemd的gru区间系统惯量评估与预测方法 | |
| CN110659274B (zh) | 类脑分层记忆机制启发的异常数据流在线校准系统 | |
| CN116663388A (zh) | 粮堆温度预测方法、装置、设备及存储介质 | |
| CN116664000A (zh) | 基于长短期记忆网络的工业设备异常检测方法及相关装置 | |
| CN114386311A (zh) | 基于关键性能指标的运维异常数据增强的方法和设备 | |
| CN116738170B (zh) | 一种工业设备的异常分析方法及相关装置 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN112232557A (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| CN115577312B (zh) | 基于改进dagmm的建筑用电负荷曲线异常检测方法 | |
| CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
| CN117668452A (zh) | 一种基于phm技术的风机组状态监测与故障诊断方法 | |
| CN115169228A (zh) | 一种异常区间预测模型构建及异常区间预测方法 | |
| CN115661575A (zh) | 基于残差注意力网络的空气处理机组故障诊断方法及系统 | |
| CN117134350A (zh) | 极端天气条件下超短期风电功率分段预测方法和装置 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Junhui Inventor after: Liu Yuxi Inventor after: Guo Xiaoman Inventor after: Yan Fei Inventor after: Chen Mingliang Inventor after: Chen Dapeng Inventor before: Zhang Junhui Inventor before: Liu Yuxi Inventor before: Guo Xiaoman Inventor before: Yan Fei Inventor before: Chen Mingliang Inventor before: Chen Dapeng |