CN116738170A - 一种工业设备的异常分析方法及相关装置 - Google Patents
一种工业设备的异常分析方法及相关装置 Download PDFInfo
- Publication number
- CN116738170A CN116738170A CN202310697075.9A CN202310697075A CN116738170A CN 116738170 A CN116738170 A CN 116738170A CN 202310697075 A CN202310697075 A CN 202310697075A CN 116738170 A CN116738170 A CN 116738170A
- Authority
- CN
- China
- Prior art keywords
- matrix
- abnormal
- reconstruction
- abnormality
- equipment
- 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
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000145637 Lepturus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
- G06N3/0499—Feedforward 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种工业设备的异常分析方法及相关装置，涉及工业设备监测技术领域，包括：通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；根据所述输入状态向量与所述重构矩阵，得到重构误差；根据所述重构误差确定异常分数；根据所述异常分数与异常阈值，判断设备是否异常；若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。该方法能够及时准确分析出设备异常并给出引起设备异常的主因特征。
Description
技术领域
本申请涉及工业设备监测技术领域，特别涉及一种工业设备的异常分析方法；还涉及一种工业设备的异常分析装置、设备以及计算机可读存储介质。
背景技术
针对工业设备监测，传统的阈值监测、规则约束等方案已无法满足监测需求。为此，采用新一代信息技术、人工智能技术，建立可靠的异常检测模型监测工业设备的运行状态日益受到关注。另外，在发现设备状态异常时，分析出引发设备异常的原因对于设备智能维护也尤为重要。因此，提供一种能够及时准确分析出设备异常，并给出引发异常的原因的技术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工业设备的异常分析方法，能够及时准确分析出设备异常并给出引起设备异常的主因特征。本申请的另一个目的是提供一种工业设备的异常分析装置、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，本申请提供了一种工业设备的异常分析方法，包括：
通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；
根据所述输入状态向量与所述重构矩阵，得到重构误差；
根据所述重构误差确定异常分数；
根据所述异常分数与异常阈值，判断设备是否异常；
若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
可选的，所述分析所述特征，确定引起所述设备异常的主因特征包括：
对所述特征的所述异常分数排序，并根据所述异常分数的顺序，选取第一异常特征；
根据所述特征的异常分数、持续时间、发生频次与设备异常严重程度，选取第二异常特征；
根据所述第一异常特征与对应的第一权重以及所述第二异常特征与对应的第二权重，确定引起所述设备异常的主因特征。
可选的，所述重构模型基于Transformer架构构建。
可选的，通过重构模型重构所述输入状态向量，得到重构矩阵包括：
对时间序列进行滑窗处理，得到窗口矩阵；所述时间序列包括多个所述输入状态向量；
对所述窗口矩阵进行位置编码，得到位置矩阵；
通过编码器与解码器处理所述位置矩阵，得到重构矩阵。
可选的，所述重构模型计算上下文矩阵的方式包括：
根据计算得到所述上下文矩阵；
Ci为第i个所述上下文矩阵，Qi为查询矩阵，Ki为键矩阵，Vi为值矩阵，M为所述特征的个数，Softmax(·)表示归一化操作，Sparse(·)表示对矩阵进行稀疏化处理。
可选的，对矩阵进行稀疏化处理包括：
保留所述矩阵的主对角线、次对角线以及超对角线上的元素；
从所述主对角线、次对角线以及超对角线上的元素之外的元素中选取多个元素；
将所述矩阵中主对角线、次对角线、超对角线上的元素之外以及选取的多个元素之外的元素置为负无穷。
可选的，所述异常阈值为通过POT模型计算得到的动态阈值。
为解决上述技术问题，本申请还提供了一种工业设备的异常分析装置，包括：
重构模块，用于通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；
第一计算模块，用于根据所述输入状态向量与所述重构矩阵，得到重构误差；
第二计算模块，用于根据所述重构误差确定异常分数；
判断模块，用于根据所述异常分数与异常阈值，判断设备是否异常；
分析模块，用于若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
为解决上述技术问题，本申请还提供了一种工业设备的异常分析设备，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任一项所述的工业设备的异常分析方法的步骤。
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工业设备的异常分析方法的步骤。
本申请所提供的工业设备的异常分析方法，包括：通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；根据所述输入状态向量与所述重构矩阵，得到重构误差；根据所述重构误差确定异常分数；根据所述异常分数与异常阈值，判断设备是否异常；若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
可见，本申请所提供的工业设备的异常分析方法，通过数据重构并分析重构结果可以及时准确的发现设备的潜在异常。并且，在判定设备异常后，通过分析各个特征，能够得到引起设备异常的主因特征，从而能够为工业设备维护提供有力支撑。
本申请所提供的工业设备的异常分析装置、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工业设备的异常分析方法的流程示意图；
图2为本申请实施例所提供的一种工业设备的异常分析实现框图；
图3为本申请实施例所提供的一种注意力机制对比示意图；
图4为本申请实施例所提供的一种稀疏化处理示意图；
图5为本申请实施例所提供的一种异常解释器的分析流程示意图；
图6为本申请实施例所提供的一种工业设备的异常分析装置的示意图；
图7为本申请实施例所提供的一种工业设备的异常分析设备的示意图。
具体实施方式
本申请的核心是提供一种工业设备的异常分析方法，能够及时准确分析出设备异常并给出引起设备异常的主因特征。本申请的另一个核心是提供一种工业设备的异常分析装置、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工业设备的异常分析方法的流程示意图，参考图1所示，该方法包括：
S101：通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；
可以对采集的工业时序数据中的存疑数据进行标识与提取，并对存疑数据进行归一化处理。基于归一化处理后的存疑数据，构建输入状态向量。输入状态向量可表示为：M为输入状态向量包含的特征的个数。提取存疑数据的目的在于减少不必要的冗余计算，提高检测效率。
多个输入状态向量构成时间序列。时间序列可表示为：X＝{x1,x2,...,xt,...,xT}T；T为时间序列的长度。
预先对重构模型进行训练，通过对正常的时间序列的不断重构，重构模型学习到正常数据之间长短时依赖性与多特征相关性，进而利用重构模型进行数据重构，以便找出与正常的时间序列偏离较大而无法被有效重构的异常事件。
在一些实施例中，所述重构模型基于Transformer架构构建。
参考图2所示，在一些实施例中，通过重构模型重构所述输入状态向量，得到重构矩阵包括：
对时间序列进行滑窗处理，得到窗口矩阵；所述时间序列包括多个所述输入状态向量；
对所述窗口矩阵进行位置编码，得到位置矩阵；
通过编码器与解码器处理所述位置矩阵，得到重构矩阵。
具体而言，为了提升重构模型的鲁棒能力，本实施例对时间序列首先进行滑窗处理，得到T个窗口矩阵：
上式中，Wt＝{xt-K+1,xt-K,...,xt}T，t∈[1,T]，其中，Wt为K×M维的窗口矩阵，K为可调窗口的长度。特殊地，对于Wt来说，当t＜K时，用xt来填充。
可调窗口的长度可以根据检测结果动态调整，以便较好的兼顾异常检测的实时性与重构模型的鲁棒性。
由于Transformer架构没有类似RNN的循环结构，不能捕捉输入序列的位置信息，为此本实施例采用PE(Positional Embedding，位置编码)对输入序列进行位置编码，使得重构模型能够提取时序位置信息。PE编码格式为：
式中，pos为时序位置，pos∈[1,K]，i∈[0,M-1]，表示向下取整运算。经PE编码后，得到位置矩阵P＝{Ppos,i}K×M。
重构模型的编码器包含L层级联的编码器单元，每层编码器单元的结构相同，参数不共享，前一层编码器单元的输出作为当前编码器单元的输入。其中，编码器单元的处理过程如下：
式中，LayerNorm(·)表示残差连接与层归一化操作，SparseAttention(·)表示稀疏注意力，FFN(·)表示前馈神经网络，为编码器单元的中间输出，I1为K×M维的编码器单元的输入矩阵，也是前一层的编码器单元的中间输出。特殊地，对于第一层编码器单元来说，/>其中，/>表示两个矩阵相同位置的元素相加。LayerNorm(·)残差连接与层归一化操作的作用是解决梯度消失、权重矩阵退化的问题。
为了能够较好地学习到更为全面复杂的注意力分布以及长短时依赖关系，在一些实施例中，重构模型计算上下文矩阵的方式包括：
根据计算得到所述上下文矩阵；
Ci为第i个所述上下文矩阵，Qi为查询矩阵，Ki为键矩阵，Vi为值矩阵，M为所述特征的个数，Softmax(·)表示归一化操作，Sparse(·)表示对矩阵进行稀疏化处理。
参考图3所示，本实施例采用了一种新型稀疏多头自注意力机制，其数学描述为：
表示两个矩阵在特征维度上的合并；
式中，Q＝IWq为查询矩阵，K＝IWk为键矩阵，V＝IWv为值矩阵，I为输入矩阵；
为第i个上下文矩阵，
其中，Qi＝QWi q，Ki＝KWi k，Vi＝VWi v，Wq、Wk、Wv、Wi q、Wi k、Wi v皆为习得的线性变换系数矩阵，Softmax(·)表示归一化操作，Sparse(·)表示对矩阵进行稀疏化处理。
相较于传统多头自注意力机制，本实施例采用的新型稀疏多头自注意力机制，一方面能够获取多个角度的上下文特征，有利于均衡同一种注意力机制可能产生的偏差，另一方面既保留了局部的短时依赖性，又能够学习到长时稀疏的相关性。
在一些实施例中，对矩阵进行稀疏化处理包括：
保留所述矩阵的主对角线、次对角线以及超对角线上的元素；
从所述主对角线、次对角线以及超对角线上的元素之外的元素中选取多个元素；
将所述矩阵中主对角线、次对角线、超对角线上的元素之外以及选取的多个元素之外的元素置为负无穷。
结合图4所示，稀疏化处理流程主要包括：
Step1：保留矩阵QiKi T主对角线、次对角线、超对角线上的元素，用于学习短时依赖性；
Step2：在剩余的元素(即主对角线、次对角线、超对角线上的元素之外的元素)中按照top-κ最大贡献原则挑选出κ个元素，用于学习长时稀疏的相关性；
Step3：将余下元素(即主对角线、次对角线、超对角线上的元素以及挑选出的κ个元素之外的元素)全部置为-∞；
Step4：输出第i个稀疏矩阵。
重构模型的解码器包含L层级联的解码器单元，每层解码器单元的结构相同，参数不共享，前一层解码器单元的输出作为当前解码器单元的输入。其中解码器单元的处理过程如下：
式中，Mask(·)表示掩膜机制，d为解码器单元的中间输出，I2为K×M维的解码器单元的输入矩阵，也是前一层的解码器单元的中间输出。特殊地，对于第一层解码器单元来说，其中，Ot-1表示在第t-1个时间步解码器的重构输出矩阵。
经过解码器处理后，解码器单元的中间输出送入全连接层、Softmax层，得到重构矩阵：
Ot＝Softmax{Linear(d)}；
式中，Linear{·}表示全连接处理，经过Softmax{·}归一化处理后概率最高的会被输出，Ot＝{ot-K+1,ot-K,...,ot}T表示在第t个时间步解码器的重构输出，其中
S102：根据所述输入状态向量与所述重构矩阵，得到重构误差；
重构误差用于衡量原始输入与重构输出之间的差异。根据输入状态向量与重构矩阵，可以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的计算方式如下：
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的计算方式如下：
式中，为第t个时间步的第i个特征的重构误差，M为特征的个数，·表示取绝对值。
S103：根据所述重构误差确定异常分数；
异常分数用于反映设备状态异常的可能性大小。通常，异常分数越大，设备状态异常的可能性越大。
根据多元特征的重构误差可以对应确定多元特征的异常分数，根据一元特征的重构误差可以对应确定一元特征的异常分数。
多元特征的异常分数的计算方式如下：
式中，βt,score为多元特征的异常分数，Φ(·)为累计分布函数，分别为第i个特征的动态均值、动态标准差，其中Lw为预设滑动窗口大小。
一元特征的异常分数的计算方式如下：
式中，为第i个特征的异常分数。其中，若直接采用一元特征的重构误差作为异常分数，则/>
S104：根据所述异常分数与异常阈值，判断设备是否异常；
比较多元特征的异常分数与异常阈值的大小，如果多元特征的异常分数大于异常阈值，则判定设备异常，否则判定设备正常。
其中，为了增强异常检测对复杂工业现场环境的适应能力，在一些实施例中，异常阈值为通过POT模型计算得到的动态阈值。
具体而言，POT是Peak Over Threshold的缩写。
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，若随机变量满足et＞μ时，则称et为超限值，y＝et-μ为超出量。根据EVT极值理论中的PBdH定理知，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 Pareto Distribution，GPD)，且满足：
式中，σ＞0为尺度参数，ξ是形状参数，是尾部指数。
选取极值门限μ：
在用GPD拟合超出量的分布时，极值门限μ对准确估计POT模型参数σ、ξ来说至关重要。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。
有鉴于此，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。
所选的极值门限μ应满足：当et≥μ时，δ(μ)函数曲线近似为一条直线。
估计POT模型的参数：
可以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，便可求出估计值σ*、ξ*。
估计异常阈值：
在设备异常检测过程中，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。
采用经验分布来描述F(μ)，则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：
式中，zq为异常阈值，q为置信水平。
可以将上述过程封装成一个数学模型：
zq＝POT(e1,...,et,...,eT)；
式中，POT(·)表示动态异常阈值估计函数。zq不是静态的，而是在线更新的即是动态的。
由于工业设备状态的时间序列往往不满足独立同分布条件，为此可以引入极值指标来处理平稳时间序列的相关性问题。其中，可以采用区组法来估计平稳时间序列的极值指标。具体而言，将时间序列划分为每组样本量为k的T/k组，且g＝[T/k]，则估计量满足：
式中，θ为极值指标，且0＜θ＜1，Gμ为各组最大值大于极值门限μ的组个数。
引入极值指标后，则再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。
可以对上述数学模型进行更新，得到最终用于估计异常阈值的POT模型：
S105：若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
在判定设备异常的基础上，进一步分析各特征，找出引起设备异常的主因特征。
在一些实施例中，所述分析所述特征，确定引起所述设备异常的主因特征包括：
对所述特征的所述异常分数排序，并根据所述异常分数的顺序，选取第一异常特征；
根据所述特征的异常分数、持续时间、发生频次与设备异常严重程度，选取第二异常特征；
根据所述第一异常特征与对应的第一权重以及所述第二异常特征与对应的第二权重，确定引起所述设备异常的主因特征。
参考图5所示，可对一元特征的异常分数进行降序排序，通过截取窗口后，得到其中异常分数较高的第一异常特征χi，其中，/>为截取窗口长度；第一异常特征的个数可以为1个，也可以为多个。在记录各异常特征的持续时间ti、发生频次fi、设备异常严重程度ri的基础上，可以根据持续时间ti，与设定的阈值滤除其中偶发性异常特征。采用模糊神经网络，综合异常分数、持续时间、发生频次与设备异常严重程度，对显性异常特征进行降序排序，输出第二异常特征/>同样，第二异常特征可以为1个，也可以为多个。例如，异常分数、持续时间、发生频次与设备异常严重程度各自对应一个权重，模糊神经网络根据各权重对异常分数、持续时间、发生频次以及设备异常严重程度进行加权求和，得到一个数值，然后根据数值对显性异常特征进行降序排序，并在通过截取窗口后，得到其中数值较高的第二异常特征
其中，根据异常分数，定义异常分数较高的特征为显性异常特征；根据发生频次，定义较高频次的特征为频发性异常特征；根据持续时间，定义较长时间的特征为持久性异常特征；根据异常严重程度，定义较严重的特征为严重性异常特征。
根据相应的权重融合第一异常特征与第二异常特征，给出异常解释，即得到引发设备异常的主因特征。例如，第一异常特征为电流过流，对应的第一权重为30％，第二异常特征为温度异常，对应的第二权重为70％，则引发设备异常的主因特征电流过流占30％，温度异常占70％。图5中的w1表示第一权重，w2表示第二权重。
本实施例从发生频次、持续时间等多个维度上进行异常解释，可以更加可靠准确的得出引发设备异常的原因。
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、异常解释等，构建异常案例共享知识库。
综上所述，本申请所提供的工业设备的异常分析方法，通过数据重构并分析重构结果可以及时准确的发现设备的潜在异常。并且，在判定设备异常后，通过分析各个特征，能够得到引起设备异常的主因特征，从而能够为工业设备维护提供有力支撑。
本申请还提供了一种工业设备的异常分析装置，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6，图6为本申请实施例所提供的一种工业设备的异常分析装置的示意图，结合图6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向量，得到重构矩阵；所述输入状态向量包括多个特征；
第一计算模块20，用于根据所述输入状态向量与所述重构矩阵，得到重构误差；
第二计算模块30，用于根据所述重构误差确定异常分数；
判断模块40，用于根据所述异常分数与异常阈值，判断设备是否异常；
分析模块50，用于若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
在上述实施例的基础上，作为一种具体的实施方式，分析模块50包括：
第一选取单元，用于对所述特征的所述异常分数排序，并根据所述异常分数的顺序，选取第一异常特征；
第二选取单元，用于根据所述特征的异常分数、持续时间、发生频次与设备异常严重程度，选取第二异常特征；
确定单元，用于根据所述第一异常特征与对应的第一权重以及所述第二异常特征与对应的第二权重，确定引起所述设备异常的主因特征。
在上述实施例的基础上，作为一种具体的实施方式，所述重构模型基于Transformer架构构建。
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：
第一预处理单元，用于对时间序列进行滑窗处理，得到窗口矩阵；所述时间序列包括多个所述输入状态向量；
第二日预处理单元，用于对所述窗口矩阵进行位置编码，得到位置矩阵；
处理单元，用于通过编码器与解码器处理所述位置矩阵，得到重构矩阵。
在上述实施例的基础上，作为一种具体的实施方式，所述重构模型计算上下文矩阵的方式包括：
根据计算得到所述上下文矩阵；
Ci为第i个所述上下文矩阵，Qi为查询矩阵，Ki为键矩阵，Vi为值矩阵，M为所述特征的个数，Softmax(·)表示归一化操作，Sparse(·)表示对矩阵进行稀疏化处理。
在上述实施例的基础上，作为一种具体的实施方式，对矩阵进行稀疏化处理包括：
保留所述矩阵的主对角线、次对角线以及超对角线上的元素；
从所述主对角线、次对角线以及超对角线上的元素之外的元素中选取多个元素；
将所述矩阵中主对角线、次对角线、超对角线上的元素之外以及选取的多个元素之外的元素置为负无穷。
在上述实施例的基础上，作为一种具体的实施方式，所述异常阈值为通过POT模型计算得到的动态阈值。
本申请还提供了一种工业设备的异常分析设备，参考图7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向量，得到重构矩阵；所述输入状态向量包括多个特征；根据所述输入状态向量与所述重构矩阵，得到重构误差；根据所述重构误差确定异常分数；根据所述异常分数与异常阈值，判断设备是否异常；若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
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向量，得到重构矩阵；所述输入状态向量包括多个特征；根据所述输入状态向量与所述重构矩阵，得到重构误差；根据所述重构误差确定异常分数；根据所述异常分数与异常阈值，判断设备是否异常；若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
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工业设备的异常分析方法、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 (10)
1.一种工业设备的异常分析方法，其特征在于，包括：
通过重构模型重构输入状态向量，得到重构矩阵；所述输入状态向量包括多个特征；
根据所述输入状态向量与所述重构矩阵，得到重构误差；
根据所述重构误差确定异常分数；
根据所述异常分数与异常阈值，判断设备是否异常；
若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
2.根据权利要求1所述的工业设备的异常分析方法，其特征在于，所述分析所述特征，确定引起所述设备异常的主因特征包括：
对所述特征的所述异常分数排序，并根据所述异常分数的顺序，选取第一异常特征；
根据所述特征的异常分数、持续时间、发生频次与设备异常严重程度，选取第二异常特征；
根据所述第一异常特征与对应的第一权重以及所述第二异常特征与对应的第二权重，确定引起所述设备异常的主因特征。
3.根据权利要求2所述的工业设备的异常分析方法，其特征在于，所述重构模型基于Transformer架构构建。
4.根据权利要求3所述的工业设备的异常分析方法，其特征在于，通过重构模型重构输入状态向量，得到重构矩阵包括：
对时间序列进行滑窗处理，得到窗口矩阵；所述时间序列包括多个所述输入状态向量；
对所述窗口矩阵进行位置编码，得到位置矩阵；
通过编码器与解码器处理所述位置矩阵，得到重构矩阵。
5.根据权利要求1所述的工业设备的异常分析方法，其特征在于，所述重构模型计算上下文矩阵的方式包括：
根据计算得到所述上下文矩阵；
Ci为第i个所述上下文矩阵，Qi为查询矩阵，Ki为键矩阵，Vi为值矩阵，M为所述特征的个数，Softmax(·)表示归一化操作，Sparse(·)表示对矩阵进行稀疏化处理。
6.根据权利要求5所述的工业设备的异常分析方法，其特征在于，对矩阵进行稀疏化处理包括：
保留所述矩阵的主对角线、次对角线以及超对角线上的元素；
从所述主对角线、次对角线以及超对角线上的元素之外的元素中选取多个元素；
将所述矩阵中主对角线、次对角线、超对角线上的元素之外以及选取的多个元素之外的元素置为负无穷。
7.根据权利要求1所述的工业设备的异常分析方法，其特征在于，所述异常阈值为通过POT模型计算得到的动态阈值。
8.一种工业设备的异常分析装置，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向量，得到重构矩阵；所述输入状态向量包括多个特征；
第一计算模块，用于根据所述输入状态向量与所述重构矩阵，得到重构误差；
第二计算模块，用于根据所述重构误差确定异常分数；
判断模块，用于根据所述异常分数与异常阈值，判断设备是否异常；
分析模块，用于若设备异常，则分析所述特征，确定引起所述设备异常的主因特征。
9.一种工业设备的异常分析设备，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7任一项所述的工业设备的异常分析方法的步骤。
10.一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7任一项所述的工业设备的异常分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697075.9A CN116738170A (zh) | 2023-06-13 | 2023-06-13 | 一种工业设备的异常分析方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697075.9A CN116738170A (zh) | 2023-06-13 | 2023-06-13 | 一种工业设备的异常分析方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738170A true CN116738170A (zh) | 2023-09-12 |
Family
ID=87916318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310697075.9A Pending CN116738170A (zh) | 2023-06-13 | 2023-06-13 | 一种工业设备的异常分析方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738170A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004118693A (ja) * | 2002-09-27 | 2004-04-15 | Toshiba Corp | プラントの制御系異常診断システム及び異常診断方法 |
| DE102020201600A1 (de) * | 2020-02-10 | 2021-08-12 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Ermitteln von Prioritäten von Basisereignissen in einer Fehlerbaumanalyse eines technischen Systems |
| US20210349897A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Anomaly detection system |
| CN113687969A (zh) * | 2021-07-29 | 2021-11-23 | 济南浪潮数据技术有限公司 | 告警信息生成方法、装置、电子设备及可读存储介质 |
| CN114048055A (zh) * | 2021-11-09 | 2022-02-15 | 上海哔哩哔哩科技有限公司 | 时序数据异常根因分析方法及系统 |
| CN114265882A (zh) * | 2021-12-24 | 2022-04-01 | 中冶赛迪重庆信息技术有限公司 | 时序信号点异常检测方法、系统、设备及介质 |
| WO2022070656A1 (ja) * | 2020-09-30 | 2022-04-07 | アズビル株式会社 | 異常検知モデルの評価システムおよび評価方法 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114386521A (zh) * | 2022-01-14 | 2022-04-22 | 湖南师范大学 | 时间序列数据的异常检测方法、系统、设备和存储介质 |
| CN114691753A (zh) * | 2022-03-18 | 2022-07-01 | 长沙理工大学 | 一种基于矩阵填充的快速多元时序异常检测方法 |
| CN115484102A (zh) * | 2022-09-16 | 2022-12-16 | 上海交通大学宁波人工智能研究院 | 一种面向工业控制系统的异常检测系统和方法 |
| CN116151459A (zh) * | 2023-02-28 | 2023-05-23 | 国网河南省电力公司电力科学研究院 | 基于改进Transformer的电网防汛风险概率预测方法和系统 |
| CN116185694A (zh) * | 2023-03-06 | 2023-05-30 | 重庆大学 | 一种基于相似度的多元时间序列异常检测与诊断方法 |
-
2023
- 2023-06-13 CN CN202310697075.9A patent/CN116738170A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004118693A (ja) * | 2002-09-27 | 2004-04-15 | Toshiba Corp | プラントの制御系異常診断システム及び異常診断方法 |
| DE102020201600A1 (de) * | 2020-02-10 | 2021-08-12 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Ermitteln von Prioritäten von Basisereignissen in einer Fehlerbaumanalyse eines technischen Systems |
| US20210349897A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Anomaly detection system |
| WO2022070656A1 (ja) * | 2020-09-30 | 2022-04-07 | アズビル株式会社 | 異常検知モデルの評価システムおよび評価方法 |
| CN113687969A (zh) * | 2021-07-29 | 2021-11-23 | 济南浪潮数据技术有限公司 | 告警信息生成方法、装置、电子设备及可读存储介质 |
| CN114048055A (zh) * | 2021-11-09 | 2022-02-15 | 上海哔哩哔哩科技有限公司 | 时序数据异常根因分析方法及系统 |
| CN114265882A (zh) * | 2021-12-24 | 2022-04-01 | 中冶赛迪重庆信息技术有限公司 | 时序信号点异常检测方法、系统、设备及介质 |
| CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
| CN114386521A (zh) * | 2022-01-14 | 2022-04-22 | 湖南师范大学 | 时间序列数据的异常检测方法、系统、设备和存储介质 |
| CN114691753A (zh) * | 2022-03-18 | 2022-07-01 | 长沙理工大学 | 一种基于矩阵填充的快速多元时序异常检测方法 |
| CN115484102A (zh) * | 2022-09-16 | 2022-12-16 | 上海交通大学宁波人工智能研究院 | 一种面向工业控制系统的异常检测系统和方法 |
| CN116151459A (zh) * | 2023-02-28 | 2023-05-23 | 国网河南省电力公司电力科学研究院 | 基于改进Transformer的电网防汛风险概率预测方法和系统 |
| CN116185694A (zh) * | 2023-03-06 | 2023-05-30 | 重庆大学 | 一种基于相似度的多元时间序列异常检测与诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| PURUSHOTTAM GANGSAR ET AL.: "Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 144, 31 October 2020 (2020-10-31), pages 125 - 128 * |
| 朱晨光: "《机器阅读理解》", 机械工业出版社, pages: 125 - 128 * |
| 樊帅等: "基于AdaBoost-SAMME的风力发电机组变桨异常识别系统", 《电力系统保护与控制》, vol. 48, no. 21, 1 November 2020 (2020-11-01), pages 31 - 40 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108881196B (zh) | 基于深度生成模型的半监督入侵检测方法 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| Caceres et al. | A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties | |
| CN111967571A (zh) | 一种基于mhma的异常检测方法和设备 | |
| CN110852515A (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
| CN113076215A (zh) | 一种独立于数据类型的无监督异常检测方法 | |
| CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
| CN112101400A (zh) | 工业控制系统异常检测方法、设备和服务器、存储介质 | |
| CN110458278B (zh) | 基于量子注意力循环编码解码神经网络的退化预测方法 | |
| CN115017826B (zh) | 一种装备剩余使用寿命预测方法 | |
| CN111447217A (zh) | 一种稀疏编码下的基于htm的流数据异常检测方法及系统 | |
| CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
| CN114385614A (zh) | 基于Informer模型的水质预警方法 | |
| Dong et al. | A novel quality-related incipient fault detection method based on canonical variate analysis and Kullback–Leibler divergence for large-scale industrial processes | |
| CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
| CN113159088B (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
| CN113779879A (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
| CN116757533A (zh) | 一种工业设备异常检测方法及相关装置 | |
| CN117273516A (zh) | 一种基于注意力机制神经网络的绩效评估方法 | |
| CN116738170A (zh) | 一种工业设备的异常分析方法及相关装置 | |
| CN114676593B (zh) | 一种纺织设备的异常检测方法及相关装置 | |
| CN113688875B (zh) | 工业系统故障识别方法及装置 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| 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 | |
| CN112889075B (zh) | 使用非对称双曲正切激活函数改进预测性能 |
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 |