CN117574308B - 基于人工智能的计量芯片异常检测方法及系统 - Google Patents
基于人工智能的计量芯片异常检测方法及系统 Download PDFInfo
- Publication number
- CN117574308B CN117574308B CN202410068969.6A CN202410068969A CN117574308B CN 117574308 B CN117574308 B CN 117574308B CN 202410068969 A CN202410068969 A CN 202410068969A CN 117574308 B CN117574308 B CN 117574308B
- Authority
- CN
- China
- Prior art keywords
- graph
- abnormal
- data
- nodes
- node
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000005856 abnormality Effects 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 164
- 230000002159 abnormal effect Effects 0.000 claims abstract description 153
- 230000003993 interaction Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000003909 pattern recognition Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 76
- 238000010586 diagram Methods 0.000 claims description 22
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012731 temporal analysis Methods 0.000 claims description 9
- 238000000700 time series analysis Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 238000005728 strengthening Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 230000004043 responsiveness Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012916 structural analysis Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003891 environmental analysis Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/092—Reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Discrete Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及模式识别技术领域，具体为基于人工智能的计量芯片异常检测方法及系统，包括以下步骤：基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集。本发明中，通过图卷积网络深入分析节点依赖性和相互作用，提高系统对电路结构的理解能力，图注意力网络通过动态边缘权重调整，集中处理关键节点问题，增强识别效率，异构图神经网络使得方法能综合处理复杂数据类型，全面识别异常模式，深度强化学习提高模型适应性，响应环境变化，而变分自编码器结合时间序列分析，不仅识别当前异常，还预测未来故障趋势，提供前瞻性维护支持。
Description
技术领域
本发明涉及模式识别技术领域，尤其涉及基于人工智能的计量芯片异常检测方法及系统。
背景技术
模式识别是一种计算机技术，用于识别数据中的规律和模式。这个技术领域包括了从简单的图像分析到复杂的机器学习算法在内的多种方法。在计量芯片异常检测的背景下，模式识别用于识别和区分正常操作和异常行为之间的差异。这通常通过分析芯片产生的数据来实现，比如电压、电流或温度读数。使用先进的算法，如神经网络或决策树，模式识别技术可以有效地从大量数据中提取有用的信息，从而准确地识别异常。
其中，计量芯片异常检测方法是一种用于监测和识别计量芯片性能中的不正常或异常行为的技术。这种方法的主要目的是保证计量芯片的可靠性和精度，防止由芯片故障引起的问题。计量芯片，作为电子设备中的关键组件，用于精确测量电气参数，如电流、电压等。异常检测是至关重要的，因为任何性能偏差都导致设备故障或数据不准确。有效的异常检测可以提前发现潜在问题，从而减少停机时间，提高设备的可靠性和性能。
传统方法在处理复杂电路和大规模数据时常显不足，尤其是在捕捉复杂节点关系和动态环境变化方面。这些方法通常缺乏自适应和自学习机制，面对未知故障类型和环境变化时易产生误报或漏报。同时，传统方法在异构或高维数据处理上效率较低，难以深入分析数据，提供限定的故障预测能力，增加了维护难度与潜在风险。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的基于人工智能的计量芯片异常检测方法及系统。
为了实现上述目的，本发明采用了如下技术方案：基于人工智能的计量芯片异常检测方法，包括以下步骤：
S1：基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集；
S2：基于所述节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图；
S3：基于所述加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
S4：基于所述异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识；
S5：针对所述异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型；
S6：使用所述调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果；
S7：基于所述异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果。
作为本发明的进一步方案，所述节点表示数据集包括每个节点的特征向量、节点间的拓扑关系数据和节点特征的嵌入表示，所述加权关联图包括节点间加权边的强度、关键连接的优先级排序和节点间关联强度的量化指标，所述异构关联模式数据集包括差异化节点类型间的关联度量、多维度特征的整合结果和跨类别节点的交互模式，所述异常模式标识具体为异常子图的结构描述、异常模式的特征指标和异常节点的集合，所述调整后的预测模型包括调整的模型参数集、模型性能的改进指标和适应性调整策略，所述异常检测结果包括异常模式概率评分、异常类型分类和异常程度的量化分析，所述故障预测和趋势分析结果包括预测故障趋势、潜在故障原因的分析和预测故障时间窗口。
作为本发明的进一步方案，基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集的步骤具体为：
S101：基于计量芯片数据，采用主成分分析和k-均值聚类算法，执行特征降维和数据聚类，突出节点的关键属性，并进行节点特征的分类，生成节点特征聚类集；
S102：基于所述节点特征聚类集，采用谱聚类算法，进行节点间相似性分析，构建基于特征相似性的节点关系图，并进行节点群组的辨识，生成节点相似性图；
S103：基于所述节点相似性图，应用随机游走算法，进行节点间路径探索，揭示节点间潜在的联系路径，并进行路径的概率评估，生成节点关系路径集；
S104：基于所述节点关系路径集，采用图卷积网络算法，进行深层次的节点关系学习，提取节点间相互作用特征，并进行节点特征的高维表示学习，生成节点表示数据集。
作为本发明的进一步方案，基于所述节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图的步骤具体为：
S201：基于所述节点表示数据集，采用相似性度量算法，分析节点间的初步关联性，评估节点间的相互影响程度，并进行关联强度的初步量化，生成初步边缘权重图；
S202：基于所述初步边缘权重图，应用边缘增强算法，对节点间关系进行分析，强化关键节点间的相互作用，并进行边缘权重的细化调整，生成增强边缘关联图；
S203：基于所述增强边缘关联图，采用动态权重调整算法，根据实时数据动态调整节点间的权重，反映节点间实际的相互作用变化，并进行权重分配的优化，生成动态加权边缘图；
S204：基于所述动态加权边缘图，应用图注意力网络算法，对节点间关系进行迭代优化，强化重要节点间的联系，表达节点间的相互依赖性，并进行最终的权重分配，生成加权关联图。
作为本发明的进一步方案，基于所述加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集的步骤具体为：
S301：基于所述加权关联图，采用信息增益算法和随机森林算法，执行节点特征的重要性评估和节点类型分类，生成节点特征分类集；
S302：基于所述节点特征分类集，应用Node2Vec算法，执行节点特征的嵌入表示，捕获节点在低维空间的关系，生成节点嵌入表示集；
S303：基于所述节点嵌入表示集，采用图结构重建算法，构建包括多种节点类型的异构图，生成初步异构图结构；
S304：基于所述初步异构图结构，应用异构图神经网络算法，分析多类型节点间的交互关系，生成异构关联模式数据集。
作为本发明的进一步方案，基于所述异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识的步骤具体为：
S401：基于所述异构关联模式数据集，采用图查询和筛选算法，识别具有异常风险的子图区域，生成潜在异常子图集；
S402：基于所述潜在异常子图集，应用图模式分析算法，对子图中的结构和模式进行深入分析，生成子图模式偏差分析集；
S403：基于所述子图模式偏差分析集，采用异常模式识别算法，在子图中识别出异常模式和结构，生成异常模式识别集；
S404：基于所述异常模式识别集，应用子图同构检测算法，对异常子图进行校验，生成异常模式标识。
作为本发明的进一步方案，针对所述异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型的步骤具体为：
S501：基于所述异常模式标识，采用深度Q网络算法进行环境分析和策略学习，参照行为选择和奖励预估，设置初始模型参数，生成环境分析报告和初始策略参数集；
S502：基于所述初始策略参数集，采用策略梯度方法进行模型性能评估，通过累积奖励最大化来调整和优化模型参数，生成优化策略参数集；
S503：基于所述优化策略参数集，采用模拟经验回放对模型进行迭代训练和优化，重复利用历史数据减少关联性，强化模型的泛化能力，生成调整后的模型参数集；
S504：基于所述调整后的模型参数集，采用目标网络更新策略细化模型调整，通过周期性更新目标网络来稳定学习过程，确定预测模型的参数，生成调整后的预测模型。
作为本发明的进一步方案，使用所述调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果的步骤具体为：
S601：基于所述调整后的预测模型，采用变分自编码器进行深度特征学习，利用编码器提取数据特征，解码器还原数据，优化损失函数来提取关键特征，生成特征编码集；
S602：基于所述特征编码集，采用重构误差分析方法计算输入数据和重构数据的差异，通过解码器重构的误差来定量分析数据质量，指导异常模式的识别，生成重构误差分析报告；
S603：基于所述重构误差分析报告，采用统计异常检测算法对异常分值进行计算，利用设定的阈值和分布偏离度来识别数据中的异常模式，生成异常分值数据；
S604：基于所述异常分值数据，采用多维度数据分析，综合考虑多特征和指标进行数据挖掘和分析，识别异常数据的类型和来源，生成异常检测结果。
作为本发明的进一步方案，基于所述异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果的步骤具体为：
S701：基于所述异常检测结果，采用STL分解进行时间序列的结构化分析，提取并分离趋势、季节性和残差成分，生成结构化时间序列分析数据；
S702：基于所述结构化时间序列分析数据，采用ARIMA模型对趋势和周期性进行建模，识别时间序列的统计特性，生成趋势周期模型；
S703：基于所述趋势周期模型，采用孤立森林算法进行潜在故障点的检测，识别数据中的非典型变动或潜在故障点，生成潜在故障识别报告；
S704：基于所述潜在故障识别报告，采用长短期记忆网络进行未来趋势的深度预测，综合所述结构化时间序列分析数据、趋势周期模型，预测未来潜在的故障和变化趋势，生成故障预测和趋势分析结果。
基于人工智能的计量芯片异常检测系统，所述基于人工智能的计量芯片异常检测系统用于执行上述基于人工智能的计量芯片异常检测方法，所述系统包括特征提取模块、关联分析模块、异构模式识别模块、子图识别模块、模型调整模块、预测与趋势分析模块；
所述特征提取模块基于计量芯片数据，采用图卷积网络算法对节点进行特征提取，通过图结构捕捉节点间的依赖性和相互作用，并进行表示学习，生成节点表示数据集；
所述关联分析模块基于节点表示数据集，采用图注意力网络算法分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，生成加权关联图；
所述异构模式识别模块基于加权关联图，采用异构图神经网络算法，识别传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
所述子图识别模块基于异构关联模式数据集，采用子图匹配算法分析图结构中的模式偏差，识别异常子图结构，生成异常模式标识；
所述模型调整模块针对异常模式标识，采用深度强化学习算法进行模型性能评估，自适应调整模型参数，生成调整后的预测模型；
所述预测与趋势分析模块基于调整后的预测模型，采用时间序列分析和预测建模技术，分析长期数据趋势，生成故障预测和趋势分析结果。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过图卷积网络深入分析节点依赖性和相互作用，提高系统对电路结构的理解能力。图注意力网络通过动态边缘权重调整，集中处理关键节点问题，增强识别效率。异构图神经网络使得方法能综合处理复杂数据类型，全面识别异常模式。深度强化学习提高模型适应性，响应环境变化，而变分自编码器结合时间序列分析，不仅识别当前异常，还预测未来故障趋势，提供前瞻性维护支持。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的S7细化流程图；
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：基于人工智能的计量芯片异常检测方法，包括以下步骤：
S1：基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集；
S2：基于节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图；
S3：基于加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
S4：基于异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识；
S5：针对异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型；
S6：使用调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果；
S7：基于异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果。
节点表示数据集包括每个节点的特征向量、节点间的拓扑关系数据和节点特征的嵌入表示，加权关联图包括节点间加权边的强度、关键连接的优先级排序和节点间关联强度的量化指标，异构关联模式数据集包括差异化节点类型间的关联度量、多维度特征的整合结果和跨类别节点的交互模式，异常模式标识具体为异常子图的结构描述、异常模式的特征指标和异常节点的集合，调整后的预测模型包括调整的模型参数集、模型性能的改进指标和适应性调整策略，异常检测结果包括异常模式概率评分、异常类型分类和异常程度的量化分析，故障预测和趋势分析结果包括预测故障趋势、潜在故障原因的分析和预测故障时间窗口。
通过图卷积网络和图注意力网络算法，深入分析芯片内部节点间的依赖和相互作用，提升了对复杂网络结构的理解及异常检测的准确性。异构图神经网络算法有效分析不同数据类型元素间的关系，增强对细微异常模式的识别。子图匹配算法在图结构中精准识别异常模式，提升检测效率。深度强化学习算法使模型自适应环境变化，不断优化，提高预测的响应性和准确度。变分自编码器算法增强了系统的深度学习和异常模式识别能力，提升系统安全性和可靠性。时间序列分析和预测建模为预防未来故障提供预见性信息，有效降低故障风险。
请参阅图2，基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集的步骤具体为：
S101：基于计量芯片数据，采用主成分分析和k-均值聚类算法，执行特征降维和数据聚类，突出节点的关键属性，并进行节点特征的分类，生成节点特征聚类集；
S102：基于节点特征聚类集，采用谱聚类算法，进行节点间相似性分析，构建基于特征相似性的节点关系图，并进行节点群组的辨识，生成节点相似性图；
S103：基于节点相似性图，应用随机游走算法，进行节点间路径探索，揭示节点间潜在的联系路径，并进行路径的概率评估，生成节点关系路径集；
S104：基于节点关系路径集，采用图卷积网络算法，进行深层次的节点关系学习，提取节点间相互作用特征，并进行节点特征的高维表示学习，生成节点表示数据集。
在S101步骤中，通过主成分分析和k-均值聚类算法处理计量芯片数据。具体地，应用主成分分析对芯片数据进行特征降维，减少数据的复杂性，突出节点的关键属性。采用k-均值聚类算法对降维后的数据进行分类，区分不同的节点特征。此过程将生成节点特征聚类集，该集合体现了节点间的主要特征和分类，为后续分析提供了结构化的数据集。
在S102步骤中，通过谱聚类算法对节点特征聚类集进行处理。此步骤旨在分析节点间的相似性，基于特征相似性构建节点关系图。通过谱聚类，不仅可以更准确地识别和辨识节点群组，而且能够生成节点相似性图。这个图揭示了节点间基于特征的密切关系，为深入了解节点如何相互作用提供了基础。
在S103步骤中，应用随机游走算法处理节点相似性图，此过程涉及探索节点间的潜在联系路径，并对这些路径进行概率评估。通过随机游走算法，可以揭示节点间的复杂联系，生成节点关系路径集。这些路径集合提供了节点间交互的可能方式和概率信息，对于理解网络结构中节点如何影响彼此非常有帮助。
在S104步骤中，采用图卷积网络算法对节点关系路径集进行深层次学习。此步骤中，图卷积网络算法专注于提取节点间相互作用的深层特征，并对节点特征进行高维表示学习。这样的处理不仅增强了对节点间复杂关系的理解，而且生成的节点表示数据集为后续的异常检测和网络分析提供了丰富且深入的特征信息。
请参阅图3，基于节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图的步骤具体为：
S201：基于节点表示数据集，采用相似性度量算法，分析节点间的初步关联性，评估节点间的相互影响程度，并进行关联强度的初步量化，生成初步边缘权重图；
S202：基于初步边缘权重图，应用边缘增强算法，对节点间关系进行分析，强化关键节点间的相互作用，并进行边缘权重的细化调整，生成增强边缘关联图；
S203：基于增强边缘关联图，采用动态权重调整算法，根据实时数据动态调整节点间的权重，反映节点间实际的相互作用变化，并进行权重分配的优化，生成动态加权边缘图；
S204：基于动态加权边缘图，应用图注意力网络算法，对节点间关系进行迭代优化，强化重要节点间的联系，表达节点间的相互依赖性，并进行最终的权重分配，生成加权关联图。
在S201步骤中，通过节点表示数据集，采用相似性度量算法分析节点间的初步关联性。这里，数据集通常包含每个节点的特征信息，格式是向量、矩阵或图形式。相似性度量算法如余弦相似度或欧氏距离，用于评估节点间的相互影响程度。操作上，对每对节点计算相似性分数，这些分数作为边缘权重的初步量化，构建出初步边缘权重图。此图反映了节点间基础的关联强度，为进一步的分析提供了基础。生成的初步边缘权重图帮助理解网络中的基本关联模式，对于后续的边缘增强和权重调整至关重要。
在S202步骤中，基于初步边缘权重图，应用边缘增强算法对节点间关系进行细化分析。此阶段采用的方法包括图卷积网络或其他深度学习技术，旨在强化关键节点间的相互作用。操作上，通过学习网络的结构和节点特征，算法识别并增强对网络功能至关重要的边缘。这个过程不仅细化了边缘权重，还提升了网络对关键节点关系的表示能力。生成的增强边缘关联图更准确地描绘了节点间的复杂关系，特别是对关键节点间的相互依赖进行了突出展示。
在S203步骤中，基于增强边缘关联图，采用动态权重调整算法根据实时数据调整节点间权重。此过程中，算法包括时间序列分析或动态网络模型，用于捕捉节点间关系的实时变化。操作上，根据实时数据持续更新节点间的权重，确保边缘权重能够反映当前的网络状态和节点间的相互作用。生成的动态加权边缘图能够实时反映网络中的变化，为理解和预测网络行为提供了动态视角。
在S204步骤中，基于动态加权边缘图，应用图注意力网络算法进行节点间关系的迭代优化。图注意力网络专注于识别和强化网络中的重要节点和边缘。操作上，算法通过分配不同的注意力权重，突出最关键的节点间依赖关系。这个过程强化了重要节点间的联系，使网络的表示更加准确和高效。最终生成的加权关联图不仅展现了节点间的相互依赖性，还提供了深入理解网络结构和功能的重要视角。
请参阅图4，基于加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集的步骤具体为：
S301：基于加权关联图，采用信息增益算法和随机森林算法，执行节点特征的重要性评估和节点类型分类，生成节点特征分类集；
S302：基于节点特征分类集，应用Node2Vec算法，执行节点特征的嵌入表示，捕获节点在低维空间的关系，生成节点嵌入表示集；
S303：基于节点嵌入表示集，采用图结构重建算法，构建包括多种节点类型的异构图，生成初步异构图结构；
S304：基于初步异构图结构，应用异构图神经网络算法，分析多类型节点间的交互关系，生成异构关联模式数据集。
在S301步骤中，通过加权关联图，采用信息增益算法和随机森林算法，执行节点特征的重要性评估和节点类型分类。此过程中，信息增益算法用于衡量各特征对节点分类的贡献度，而随机森林算法则用于根据这些特征进行节点的分类。操作上，计算每个特征的信息增益，确定对分类最有影响的特征，随机森林算法基于这些特征进行节点分类。此步骤生成的节点特征分类集，为后续的节点嵌入表示提供了准确的分类基础，确保了嵌入表示的准确性和有效性。
在S302步骤中，基于节点特征分类集，应用Node2Vec算法，执行节点特征的嵌入表示。此算法将节点在图中的位置和邻域关系转换为低维空间中的向量表示，捕获节点间复杂且隐含的关系。操作上，Node2Vec通过随机游走算法在图中探索节点的邻域，利用这些邻域信息生成节点的向量表示。生成的节点嵌入表示集在低维空间中表示节点间的关系，有助于揭示节点间的潜在关联模式。
在S303步骤中，基于节点嵌入表示集，采用图结构重建算法，构建包括多种节点类型的异构图。此算法的目标是根据节点的嵌入表示重建图结构，确保不同类型节点的特征和关系得到准确反映。操作上，算法通过比较嵌入表示中节点间的相似度，确定节点间是否存在边，从而重建图结构。生成的初步异构图结构，反映了不同类型节点间复杂的关系，为深入分析多类型节点间的交互提供了基础。
在S304步骤中，基于初步异构图结构，应用异构图神经网络算法，分析多类型节点间的交互关系。异构图神经网络能够处理不同类型节点和边，从而更准确地捕捉节点间的复杂交互关系。操作上，算法根据节点类型和边的类型来调整信息传播的方式，确保不同类型的节点可以有效地交换信息。生成的异构关联模式数据集，揭示了包括传感器数据、操作参数在内的多种数据类型元素间的复杂交互模式，为后续的数据分析和决策提供了丰富的信息。
请参阅图5，基于异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识的步骤具体为：
S401：基于异构关联模式数据集，采用图查询和筛选算法，识别具有异常风险的子图区域，生成潜在异常子图集；
S402：基于潜在异常子图集，应用图模式分析算法，对子图中的结构和模式进行深入分析，生成子图模式偏差分析集；
S403：基于子图模式偏差分析集，采用异常模式识别算法，在子图中识别出异常模式和结构，生成异常模式识别集；
S404：基于异常模式识别集，应用子图同构检测算法，对异常子图进行校验，生成异常模式标识。
在S401步骤中，通过异构关联模式数据集，采用图查询和筛选算法识别具有异常风险的子图区域。异构关联模式数据集包含多种类型的节点和复杂的边缘关系，通常呈现为图形结构。图查询和筛选算法专注于在这些复杂的图结构中寻找与常规模式不一致的区域，例如节点组合的异常连接或异常的边缘权重。操作上，此算法分析整个图的结构，识别出那些含有异常风险的子图区域。生成的潜在异常子图集包含了存在问题的区域，为后续的更深入分析提供了基础，此步骤对于及早发现潜在的异常模式至关重要，有助于在问题发生前进行干预。
在S402步骤中，基于潜在异常子图集，应用图模式分析算法对子图中的结构和模式进行深入分析，此阶段的目标是详细分析子图中的具体结构和模式，以识别出与正常运行模式相比的偏差。操作上，图模式分析算法深入挖掘每个子图的内部结构，检查节点和边缘的特征以及彼此关系。生成的子图模式偏差分析集详细记录了子图中的结构和模式上的具体偏差，为识别具体的异常模式提供了关键信息，此步骤对于理解异常子图的具体结构和潜在原因至关重要。
在S403步骤中，基于子图模式偏差分析集，采用异常模式识别算法在子图中识别出异常模式和结构。此算法针对识别出的偏差进行深入分析，以标识出确实存在的异常模式。操作上，对比分析集中的数据与已知的正常模式，以确定哪些偏差代表了真正的异常模式。生成的异常模式识别集提供了详细的异常模式信息，对于后续的风险评估和处理策略制定至关重要。
在S404步骤中，基于异常模式识别集，应用子图同构检测算法对异常子图进行校验。此算法的目标是确认识别出的异常模式是否确实代表了与正常模式的显著差异。操作上，通过比较异常子图与正常子图模式，验证彼此之间的结构差异。生成的异常模式标识是对整个网络中潜在风险区域的准确识别，这对于确保网络的健康运行和安全至关重要。
请参阅图6，针对异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型的步骤具体为：
S501：基于异常模式标识，采用深度Q网络算法进行环境分析和策略学习，参照行为选择和奖励预估，设置初始模型参数，生成环境分析报告和初始策略参数集；
S502：基于初始策略参数集，采用策略梯度方法进行模型性能评估，通过累积奖励最大化来调整和优化模型参数，生成优化策略参数集；
S503：基于优化策略参数集，采用模拟经验回放对模型进行迭代训练和优化，重复利用历史数据减少关联性，强化模型的泛化能力，生成调整后的模型参数集；
S504：基于调整后的模型参数集，采用目标网络更新策略细化模型调整，通过周期性更新目标网络来稳定学习过程，确定预测模型的参数，生成调整后的预测模型。
在S501步骤中，通过异常模式标识，采用深度Q网络算法进行环境分析和策略学习。此过程中，深度Q网络算法评估不同行为选择对奖励的影响，以此为基础设置初始模型参数。操作上，算法首先对异常模式标识进行分析，理解其在整体网络环境中的影响。然后，基于这些分析，深度Q网络通过行为选择和奖励预估来学习最优策略。生成的环境分析报告详细记录了异常模式的影响，而初始策略参数集则为模型提供了起始的决策依据，此步骤是建立高效预测模型的基础，确保模型从正确的参数出发。
在S502步骤中，基于初始策略参数集，采用策略梯度方法进行模型性能评估。策略梯度方法专注于通过累积奖励最大化来调整和优化模型参数。操作上，模型通过实时反馈学习如何调整策略以获得更高的奖励。这个过程中，模型不断地在实际环境中尝试不同的策略，并根据结果进行自我调整。生成的优化策略参数集是模型性能提升的关键，确保模型在面对复杂环境时能做出更准确的预测。
在S503步骤中，基于优化策略参数集，采用模拟经验回放对模型进行迭代训练和优化。此方法通过重复利用历史数据来减少数据间的关联性，强化模型的泛化能力。操作上，模型在每次迭代中都会从经验回放池中随机抽取之前的经验进行学习，这样可以避免模型过度适应当前最近的数据。生成的调整后的模型参数集是模型泛化能力增强的重要成果，确保模型在多变环境中仍能保持高效和准确。
在S504步骤中，基于调整后的模型参数集，采用目标网络更新策略细化模型调整。通过周期性更新目标网络来稳定学习过程，这是深度强化学习中的一种常见策略，用于防止学习过程中的不稳定和振荡。操作上，模型会定期将当前学习到的网络参数复制到目标网络中，以此作为下一阶段学习的基准。最终生成的调整后的预测模型，具备了稳定性和高效性，能够在动态环境中作出快速准确的预测，此步骤是确保模型在长期运行中保持性能的关键环节。
请参阅图7，使用调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果的步骤具体为：
S601：基于调整后的预测模型，采用变分自编码器进行深度特征学习，利用编码器提取数据特征，解码器还原数据，优化损失函数来提取关键特征，生成特征编码集；
S602：基于特征编码集，采用重构误差分析方法计算输入数据和重构数据的差异，通过解码器重构的误差来定量分析数据质量，指导异常模式的识别，生成重构误差分析报告；
S603：基于重构误差分析报告，采用统计异常检测算法对异常分值进行计算，利用设定的阈值和分布偏离度来识别数据中的异常模式，生成异常分值数据；
S604：基于异常分值数据，采用多维度数据分析，综合考虑多特征和指标进行数据挖掘和分析，识别异常数据的类型和来源，生成异常检测结果。
在S601步骤中，通过调整后的预测模型，采用变分自编码器进行深度特征学习。变分自编码器由编码器和解码器两部分组成，编码器负责提取数据的关键特征，而解码器则尝试根据这些特征还原数据。操作上，变分自编码器通过优化损失函数，不断调整网络参数，以更好地捕获数据的内在特征。生成的特征编码集包含了数据的压缩表示，此表示捕获了数据的关键特征。通过这种深度特征学习，模型能够识别出数据中的重要模式和结构，为后续的异常检测提供了基础。
在S602步骤中，基于特征编码集，采用重构误差分析方法来计算输入数据和重构数据之间的差异。操作上，通过比较原始数据和由解码器重构的数据，可以定量分析数据质量。如果重构误差较大，表明原始数据在某些方面与模型学习到的一般特征不吻合。生成的重构误差分析报告详细记录了这些差异，这些差异是识别异常模式的关键依据。通过这种方法，模型能够有效地识别出那些与常规模式相悖的数据点。
在S603步骤中，基于重构误差分析报告，采用统计异常检测算法对异常分值进行计算。此算法利用设定的阈值和数据的分布偏离度来识别数据中的异常模式。操作上，模型计算每个数据点的异常分值，然后将这些分值与预设的阈值进行比较，以确定哪些数据点是异常的。生成的异常分值数据为识别和理解异常模式提供了量化的依据，此步骤对于精确识别数据集中的异常至关重要。
在S604步骤中，基于异常分值数据，采用多维度数据分析来识别异常数据的类型和来源。此阶段的操作不仅仅局限于单一特征或指标，而是结合多种特征和指标进行全面的数据挖掘和分析。这种综合考虑多维度信息的方法使模型能够更准确地识别异常数据的具体类型和来源。生成的异常检测结果为进一步的数据处理和决策提供了详细的信息，这些信息对于理解和解决潜在的问题至关重要。
请参阅图8，基于异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果的步骤具体为：
S701：基于异常检测结果，采用STL分解进行时间序列的结构化分析，提取并分离趋势、季节性和残差成分，生成结构化时间序列分析数据；
S702：基于结构化时间序列分析数据，采用ARIMA模型对趋势和周期性进行建模，识别时间序列的统计特性，生成趋势周期模型；
S703：基于趋势周期模型，采用孤立森林算法进行潜在故障点的检测，识别数据中的非典型变动或潜在故障点，生成潜在故障识别报告；
S704：基于潜在故障识别报告，采用长短期记忆网络进行未来趋势的深度预测，综合结构化时间序列分析数据、趋势周期模型，预测未来潜在的故障和变化趋势，生成故障预测和趋势分析结果。
在S701步骤中，通过异常检测结果，采用STL（季节性分解时间序列数据的趋势-季节性-残差）分解方法进行时间序列的结构化分析。STL分解是一种强大的时间序列分析工具，能够将时间序列数据分解为趋势、季节性和残差三个主要成分。操作上，从时间序列数据中提取趋势成分，此成分显示了数据随时间的长期变化趋势。接着识别季节性成分，即周期性的波动模式。最后，分离出残差成分，这部分包含了除趋势和季节性之外的随机波动。生成的结构化时间序列分析数据为进一步的建模和分析提供了清晰的框架和基础。
在S702步骤中，基于结构化时间序列分析数据，采用ARIMA（自回归积分滑动平均）模型对趋势和周期性进行建模。ARIMA模型是时间序列分析中广泛使用的统计模型，特别适用于具有趋势和季节性的数据。操作上，首先确定模型的参数，包括自回归项、差分顺序和移动平均项，然后利用这些参数来拟合时间序列数据，从而识别出数据的统计特性。生成的趋势周期模型能够描述时间序列的基本行为，为预测未来趋势提供了重要的分析工具。
在S703步骤中，基于趋势周期模型，采用孤立森林算法进行潜在故障点的检测。孤立森林是一种有效的异常检测算法，特别适合于识别数据中的非典型变动或潜在故障点。操作上，算法通过随机选择特征和随机切分值来孤立观测值，较容易孤立的点通常被认为是异常。生成的潜在故障识别报告详细标识了可能的故障点，为采取预防措施和进一步分析提供了依据。
在S704步骤中，基于潜在故障识别报告，采用长短期记忆网络（LSTM）进行未来趋势的深度预测。LSTM是一种高效的循环神经网络，特别适合处理和预测时间序列数据。操作上，LSTM结合了结构化时间序列分析数据和趋势周期模型，对未来出现的故障和变化趋势进行预测。生成的故障预测和趋势分析结果不仅提供了对未来潜在问题的洞见，还为制定预防措施和应对策略提供了重要信息，此步骤在整个故障预测和风险管理过程中起着决定性的作用。
请参阅图9，基于人工智能的计量芯片异常检测系统，基于人工智能的计量芯片异常检测系统用于执行上述基于人工智能的计量芯片异常检测方法，系统包括特征提取模块、关联分析模块、异构模式识别模块、子图识别模块、模型调整模块、预测与趋势分析模块；
特征提取模块基于计量芯片数据，采用图卷积网络算法对节点进行特征提取，通过图结构捕捉节点间的依赖性和相互作用，并进行表示学习，生成节点表示数据集；
关联分析模块基于节点表示数据集，采用图注意力网络算法分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，生成加权关联图；
异构模式识别模块基于加权关联图，采用异构图神经网络算法，识别传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
子图识别模块基于异构关联模式数据集，采用子图匹配算法分析图结构中的模式偏差，识别异常子图结构，生成异常模式标识；
模型调整模块针对异常模式标识，采用深度强化学习算法进行模型性能评估，自适应调整模型参数，生成调整后的预测模型；
预测与趋势分析模块基于调整后的预测模型，采用时间序列分析和预测建模技术，分析长期数据趋势，生成故障预测和趋势分析结果。
通过特征提取模块深入理解计量芯片数据，准确捕捉节点间复杂的依赖关系和相互作用，极大提高了数据分析的精确度。关联分析模块利用图注意力网络，有效地识别节点间的关联性，增强了早期异常检测的能力。异构模式识别模块进一步深化了对不同类型数据间交互模式的理解，为全面监控计量芯片的运行状态提供了支持。子图识别模块的应用使得系统能在复杂图结构中精确识别异常子图，大幅提升了异常检测的准确性和效率。模型调整模块引入深度强化学习算法，使得系统具备了强大的自适应能力和持续性能提升能力，确保模型能够随着环境的变化和新数据的出现而持续优化。预测与趋势分析模块通过时间序列分析和预测建模，不仅实时监测异常状态，还能预测未来潜在的故障，为计量芯片的预防性维护和策略制定提供了坚实的决策支持。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (9)
1.基于人工智能的计量芯片异常检测方法，其特征在于，包括以下步骤：
基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集；
基于所述节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图；
基于所述加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
基于所述异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识；
针对所述异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型；
使用所述调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果；
基于所述异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果；
所述节点表示数据集包括每个节点的特征向量、节点间的拓扑关系数据和节点特征的嵌入表示，所述加权关联图包括节点间加权边的强度、关键连接的优先级排序和节点间关联强度的量化指标，所述异构关联模式数据集包括差异化节点类型间的关联度量、多维度特征的整合结果和跨类别节点的交互模式，所述异常模式标识具体为异常子图的结构描述、异常模式的特征指标和异常节点的集合，所述调整后的预测模型包括调整的模型参数集、模型性能的改进指标和适应性调整策略，所述异常检测结果包括异常模式概率评分、异常类型分类和异常程度的量化分析，所述故障预测和趋势分析结果包括预测故障趋势、潜在故障原因的分析和预测故障时间窗口。
2.根据权利要求1所述的基于人工智能的计量芯片异常检测方法，其特征在于，基于计量芯片数据，采用图卷积网络算法，对芯片中的节点进行特征提取和表示学习，通过图结构捕捉节点间的依赖性和相互作用，生成节点表示数据集的步骤具体为：
基于计量芯片数据，采用主成分分析和k-均值聚类算法，执行特征降维和数据聚类，突出节点的关键属性，并进行节点特征的分类，生成节点特征聚类集；
基于所述节点特征聚类集，采用谱聚类算法，进行节点间相似性分析，构建基于特征相似性的节点关系图，并进行节点群组的辨识，生成节点相似性图；
基于所述节点相似性图，应用随机游走算法，进行节点间路径探索，揭示节点间潜在的联系路径，并进行路径的概率评估，生成节点关系路径集；
基于所述节点关系路径集，采用图卷积网络算法，进行深层次的节点关系学习，提取节点间相互作用特征，并进行节点特征的高维表示学习，生成节点表示数据集。
3.根据权利要求2所述的基于人工智能的计量芯片异常检测方法，其特征在于，基于所述节点表示数据集，采用图注意力网络算法，分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，强化关键节点间的相互影响，生成加权关联图的步骤具体为：
基于所述节点表示数据集，采用相似性度量算法，分析节点间的初步关联性，评估节点间的相互影响程度，并进行关联强度的初步量化，生成初步边缘权重图；
基于所述初步边缘权重图，应用边缘增强算法，对节点间关系进行分析，强化关键节点间的相互作用，并进行边缘权重的细化调整，生成增强边缘关联图；
基于所述增强边缘关联图，采用动态权重调整算法，根据实时数据动态调整节点间的权重，反映节点间实际的相互作用变化，并进行权重分配的优化，生成动态加权边缘图；
基于所述动态加权边缘图，应用图注意力网络算法，对节点间关系进行迭代优化，强化重要节点间的联系，表达节点间的相互依赖性，并进行最终的权重分配，生成加权关联图。
4.根据权利要求3所述的基于人工智能的计量芯片异常检测方法，其特征在于，基于所述加权关联图，采用异构图神经网络算法，分析差异化数据类型元素间的关系，识别包括传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集的步骤具体为：
基于所述加权关联图，采用信息增益算法和随机森林算法，执行节点特征的重要性评估和节点类型分类，生成节点特征分类集；
基于所述节点特征分类集，应用Node2Vec算法，执行节点特征的嵌入表示，捕获节点在低维空间的关系，生成节点嵌入表示集；
基于所述节点嵌入表示集，采用图结构重建算法，构建包括多种节点类型的异构图，生成初步异构图结构；
基于所述初步异构图结构，应用异构图神经网络算法，分析多类型节点间的交互关系，生成异构关联模式数据集。
5.根据权利要求4所述的基于人工智能的计量芯片异常检测方法，其特征在于，基于所述异构关联模式数据集，采用子图匹配算法，分析图结构中的模式偏差，识别与常规操作不一致的异常子图结构，生成异常模式标识的步骤具体为：
基于所述异构关联模式数据集，采用图查询和筛选算法，识别具有异常风险的子图区域，生成潜在异常子图集；
基于所述潜在异常子图集，应用图模式分析算法，对子图中的结构和模式进行深入分析，生成子图模式偏差分析集；
基于所述子图模式偏差分析集，采用异常模式识别算法，在子图中识别出异常模式和结构，生成异常模式识别集；
基于所述异常模式识别集，应用子图同构检测算法，对异常子图进行校验，生成异常模式标识。
6.根据权利要求5所述的基于人工智能的计量芯片异常检测方法，其特征在于，针对所述异常模式标识，采用深度强化学习算法，评估预测模型性能，根据环境变化自适应调整模型参数，提高准确性和响应性，生成调整后的预测模型的步骤具体为：
基于所述异常模式标识，采用深度Q网络算法进行环境分析和策略学习，参照行为选择和奖励预估，设置初始模型参数，生成环境分析报告和初始策略参数集；
基于所述初始策略参数集，采用策略梯度方法进行模型性能评估，通过累积奖励最大化来调整和优化模型参数，生成优化策略参数集；
基于所述优化策略参数集，采用模拟经验回放对模型进行迭代训练和优化，重复利用历史数据减少关联性，强化模型的泛化能力，生成调整后的模型参数集；
基于所述调整后的模型参数集，采用目标网络更新策略细化模型调整，通过周期性更新目标网络来稳定学习过程，确定预测模型的参数，生成调整后的预测模型。
7.根据权利要求6所述的基于人工智能的计量芯片异常检测方法，其特征在于，使用所述调整后的预测模型，采用变分自编码器算法，进行深度特征学习，通过重构误差分析识别异常模式，生成异常检测结果的步骤具体为：
基于所述调整后的预测模型，采用变分自编码器进行深度特征学习，利用编码器提取数据特征，解码器还原数据，优化损失函数来提取关键特征，生成特征编码集；
基于所述特征编码集，采用重构误差分析方法计算输入数据和重构数据的差异，通过解码器重构的误差来定量分析数据质量，指导异常模式的识别，生成重构误差分析报告；
基于所述重构误差分析报告，采用统计异常检测算法对异常分值进行计算，利用设定的阈值和分布偏离度来识别数据中的异常模式，生成异常分值数据；
基于所述异常分值数据，采用多维度数据分析，综合考虑多特征和指标进行数据挖掘和分析，识别异常数据的类型和来源，生成异常检测结果。
8.根据权利要求7所述的基于人工智能的计量芯片异常检测方法，其特征在于，基于所述异常检测结果，采用时间序列分析和预测建模，分析长期数据趋势，预测潜在故障，提供未来的故障趋势预测，生成故障预测和趋势分析结果的步骤具体为：
基于所述异常检测结果，采用STL分解进行时间序列的结构化分析，提取并分离趋势、季节性和残差成分，生成结构化时间序列分析数据；
基于所述结构化时间序列分析数据，采用ARIMA模型对趋势和周期性进行建模，识别时间序列的统计特性，生成趋势周期模型；
基于所述趋势周期模型，采用孤立森林算法进行潜在故障点的检测，识别数据中的非典型变动或潜在故障点，生成潜在故障识别报告；
基于所述潜在故障识别报告，采用长短期记忆网络进行未来趋势的深度预测，综合所述结构化时间序列分析数据、趋势周期模型，预测未来潜在的故障和变化趋势，生成故障预测和趋势分析结果。
9.基于人工智能的计量芯片异常检测系统，其特征在于，根据权利要求1-8任一项所述的基于人工智能的计量芯片异常检测方法，所述系统包括特征提取模块、关联分析模块、异构模式识别模块、子图识别模块、模型调整模块、预测与趋势分析模块；
所述特征提取模块基于计量芯片数据，采用图卷积网络算法对节点进行特征提取，通过图结构捕捉节点间的依赖性和相互作用，并进行表示学习，生成节点表示数据集；
所述关联分析模块基于节点表示数据集，采用图注意力网络算法分析节点间的关联性，根据节点特征和相互作用动态调整边缘权重，生成加权关联图；
所述异构模式识别模块基于加权关联图，采用异构图神经网络算法，识别传感器数据、操作参数的元素间交互信息，生成异构关联模式数据集；
所述子图识别模块基于异构关联模式数据集，采用子图匹配算法分析图结构中的模式偏差，识别异常子图结构，生成异常模式标识；
所述模型调整模块针对异常模式标识，采用深度强化学习算法进行模型性能评估，自适应调整模型参数，生成调整后的预测模型；
所述预测与趋势分析模块基于调整后的预测模型，采用时间序列分析和预测建模技术，分析长期数据趋势，生成故障预测和趋势分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410068969.6A CN117574308B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的计量芯片异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410068969.6A CN117574308B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的计量芯片异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117574308A CN117574308A (zh) | 2024-02-20 |
| CN117574308B true CN117574308B (zh) | 2024-03-26 |
Family
ID=89890497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410068969.6A Active CN117574308B (zh) | 2024-01-17 | 2024-01-17 | 基于人工智能的计量芯片异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117574308B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951584A (zh) * | 2024-03-13 | 2024-04-30 | 青岛启弘信息科技有限公司 | 一种基于ai和物联网技术的海洋数据处理和信息调度系统 |
| CN117972396B (zh) * | 2024-03-26 | 2024-06-18 | 吉林省枫瑞科技有限公司 | 一种基于深度学习的载荷位移曲线故障检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115080964A (zh) * | 2022-08-16 | 2022-09-20 | 杭州比智科技有限公司 | 基于图深度学习的数据流转异常检测方法及系统 |
| CN115577310A (zh) * | 2022-09-28 | 2023-01-06 | 北京百度网讯科技有限公司 | 异常对象的识别方法、装置、电子设备及存储介质 |
| CN117273516A (zh) * | 2023-09-15 | 2023-12-22 | 国网湖北省电力有限公司黄石供电公司 | 一种基于注意力机制神经网络的绩效评估方法 |
| CN117272195A (zh) * | 2023-08-21 | 2023-12-22 | 杭州云象网络技术有限公司 | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3477906B1 (en) * | 2017-10-26 | 2021-03-31 | Accenture Global Solutions Limited | Systems and methods for identifying and mitigating outlier network activity |
| CA3131843A1 (en) * | 2020-09-25 | 2022-03-25 | Royal Bank Of Canada | System and method for structure learning for graph neural networks |
-
2024
- 2024-01-17 CN CN202410068969.6A patent/CN117574308B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115080964A (zh) * | 2022-08-16 | 2022-09-20 | 杭州比智科技有限公司 | 基于图深度学习的数据流转异常检测方法及系统 |
| CN115577310A (zh) * | 2022-09-28 | 2023-01-06 | 北京百度网讯科技有限公司 | 异常对象的识别方法、装置、电子设备及存储介质 |
| CN117272195A (zh) * | 2023-08-21 | 2023-12-22 | 杭州云象网络技术有限公司 | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
| CN117273516A (zh) * | 2023-09-15 | 2023-12-22 | 国网湖北省电力有限公司黄石供电公司 | 一种基于注意力机制神经网络的绩效评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| Aiju Yu 等.Graph Convolutional Network with Attention Mechanism for Discovering the Brain's Abnormal Activity of Attention Deficit Hyperactivity Disorder.《2022 15th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI)》.2022,第1-5页. * |
| 基于启发式时空图神经网络的多变量时序异常检测;姜羽 等;《中国科学》;20230930;第53卷(第9期);第1784-1801页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117574308A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teh et al. | Sensor data quality: A systematic review | |
| CN117574308B (zh) | 基于人工智能的计量芯片异常检测方法及系统 | |
| Adhikari et al. | A comprehensive survey on imputation of missing data in internet of things | |
| CN107247666B (zh) | 一种基于特征选择和集成学习的软件缺陷个数预测方法 | |
| CN117349782B (zh) | 智能数据预警决策树分析方法及系统 | |
| Li et al. | Seal: Semisupervised adversarial active learning on attributed graphs | |
| US20120185424A1 (en) | FlexSCAPE: Data Driven Hypothesis Testing and Generation System | |
| CN117390499A (zh) | 一种应用于食品农药残留检测的多样品检测系统 | |
| Xia et al. | Deciphering spatio-temporal graph forecasting: A causal lens and treatment | |
| Kharal | Explainable artificial intelligence based fault diagnosis and insight harvesting for steel plates manufacturing | |
| JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
| Gong et al. | Causal discovery from temporal data: An overview and new perspectives | |
| CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
| Luo et al. | Non-smooth bayesian optimization in tuning problems | |
| Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
| US20210279547A1 (en) | Electronic device for high-precision behavior profiling for transplanting with humans' intelligence into artificial intelligence and operating method thereof | |
| CN116843080B (zh) | 一种基于机器学习的尿素生产碳元素足迹预测方法及系统 | |
| Aarti et al. | Novel grey relational feature extraction algorithm for software fault-proneness using BBO (B-GRA) | |
| CN116208399A (zh) | 一种基于元图的网络恶意行为检测方法及设备 | |
| Đorđević et al. | Machine Learning Based Anomaly Detection as an Emerging Trend in Telecommunications | |
| Fiandrino et al. | AIChronoLens: advancing explainability for time series AI forecasting in mobile networks | |
| Bashar et al. | Algan: Time series anomaly detection with adjusted-lstm gan | |
| Tan et al. | Exploring attention mechanism for graph similarity learning | |
| Salles et al. | SoftED: Metrics for soft evaluation of time series event detection | |
| Cuzzocrea | Advanced Machine Learning Structures over Big Data Repositories: Definitions, Models, Properties, Algorithms |
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 |