【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及數(shù)據(jù)處理，尤其涉及一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、異常檢測(cè)是指自動(dòng)識(shí)別嵌入在大量正常數(shù)據(jù)中的異常現(xiàn)象，在工業(yè)制造領(lǐng)域生產(chǎn)過(guò)程中伴隨著大量生產(chǎn)數(shù)據(jù)，隨著傳感器技術(shù)、物聯(lián)網(wǎng)技術(shù)的大力發(fā)展，通過(guò)對(duì)數(shù)據(jù)進(jìn)行挖掘分析來(lái)識(shí)別判斷出不符合預(yù)期狀態(tài)的異常模式已經(jīng)成為可能。
2、異常檢測(cè)的任務(wù)目標(biāo)是確定哪些數(shù)據(jù)與其他正常的數(shù)據(jù)有明顯不同的特征模式。通常，考慮到異常值遠(yuǎn)遠(yuǎn)偏離其他值的平均值，傳統(tǒng)方法中通過(guò)數(shù)據(jù)統(tǒng)計(jì)方法進(jìn)行偏差檢測(cè)來(lái)判斷是否出現(xiàn)異常。在工業(yè)制造領(lǐng)域，隨著物聯(lián)網(wǎng)(iot)的出現(xiàn)，產(chǎn)生了大量多維、網(wǎng)絡(luò)流、本地流、混合流等不同數(shù)據(jù)域融合的時(shí)間序列數(shù)據(jù)，因此針對(duì)這些工業(yè)生產(chǎn)制造過(guò)程中時(shí)間序列數(shù)據(jù)的分析和異常檢測(cè)方法關(guān)系到生產(chǎn)安全，十分重要、值得研究。
3、現(xiàn)有的異常檢測(cè)方案主要是采用傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法，例如通過(guò)累積和圖等統(tǒng)計(jì)過(guò)程控制(spc)圖方法來(lái)檢測(cè)數(shù)據(jù)基礎(chǔ)分布的特性變化，以識(shí)別異常，對(duì)原始數(shù)據(jù)采集準(zhǔn)確性要求高。
4、現(xiàn)有的異常檢測(cè)方案，對(duì)原始數(shù)據(jù)質(zhì)量有較強(qiáng)的依賴(lài)性，然而，在工業(yè)生產(chǎn)過(guò)程中，工業(yè)物聯(lián)網(wǎng)采集生產(chǎn)數(shù)據(jù)并上傳的過(guò)程中存在諸多不確定性，采集頻率、數(shù)據(jù)傳輸速率、數(shù)據(jù)噪音質(zhì)量等等都會(huì)對(duì)結(jié)果的統(tǒng)計(jì)穩(wěn)定性產(chǎn)生較大影響，導(dǎo)致現(xiàn)有異常檢測(cè)方案的魯棒性差、穩(wěn)定性弱。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，有必要提供一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，用以解決現(xiàn)有技術(shù)的上述缺陷。
2、為了解決上述問(wèn)題，第
3、采集工業(yè)生產(chǎn)過(guò)程中的工業(yè)時(shí)序數(shù)據(jù)；
4、結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)；
5、采用加入時(shí)間注意力機(jī)制的1d單層卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)。
6、在采集工業(yè)生產(chǎn)過(guò)程中的工業(yè)時(shí)序數(shù)據(jù)的過(guò)程中，還包括：
7、基于香農(nóng)采樣定理和先驗(yàn)知識(shí)，確定工業(yè)時(shí)序數(shù)據(jù)的最優(yōu)采樣頻率；其中，所述工業(yè)時(shí)序數(shù)據(jù)包括電壓、電流、溫度、濕度和速度。
8、優(yōu)選的，所述結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，包括：
9、采用數(shù)據(jù)插值方法，將長(zhǎng)度為n的工業(yè)時(shí)序數(shù)據(jù)xt擴(kuò)增為長(zhǎng)度為n*的中間數(shù)據(jù)其中，所述數(shù)據(jù)插值方法為線性插值、三次插值或拉格朗日插值；
10、
11、式中，表示數(shù)據(jù)插值方法；
12、對(duì)插值生成的中間數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)；其中，所述數(shù)據(jù)預(yù)處理包括數(shù)據(jù)旋轉(zhuǎn)、數(shù)據(jù)抖動(dòng)、數(shù)據(jù)縮放和數(shù)據(jù)重排。
13、優(yōu)選的，所述對(duì)插值生成的中間數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)，包括：
14、假設(shè)時(shí)序數(shù)據(jù)預(yù)處理操作前的數(shù)據(jù)為預(yù)處理后的數(shù)據(jù)為x't；
15、對(duì)數(shù)據(jù)插值生成的中間數(shù)據(jù)進(jìn)行數(shù)據(jù)旋轉(zhuǎn)、數(shù)據(jù)抖動(dòng)、數(shù)據(jù)縮放和數(shù)據(jù)重排四種數(shù)據(jù)操作，每種操作都有使用/不使用兩種可能，一共16種可能，對(duì)于每一個(gè)數(shù)據(jù)t∈[1,n*]，生成一個(gè)0或1的隨機(jī)整數(shù)的算子ind(i)＝random{0,1},分別對(duì)應(yīng)各數(shù)據(jù)操作的使用情況，通過(guò)矩陣來(lái)表示預(yù)處理操作中具體采取哪幾類(lèi)數(shù)據(jù)操作；
16、數(shù)據(jù)預(yù)處理操作表述為：
17、
18、式中，表示數(shù)據(jù)旋轉(zhuǎn)操作，表示數(shù)據(jù)抖動(dòng)操作，表示數(shù)據(jù)縮放操作，表示數(shù)據(jù)重排操作。
19、優(yōu)選的，所述采用加入時(shí)間注意力機(jī)制的1d單層卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)，包括：
20、采用臨近點(diǎn)標(biāo)簽聚合的策略，通過(guò)計(jì)算時(shí)間域聚合特征指數(shù)，將原始數(shù)據(jù)集的標(biāo)簽信息遷移到增強(qiáng)后的數(shù)據(jù)集中；
21、利用遷移后的標(biāo)簽信息，結(jié)合時(shí)間注意力機(jī)制，訓(xùn)練1d單層卷積神經(jīng)網(wǎng)絡(luò)模型；
22、通過(guò)訓(xùn)練后的1d單層卷積神經(jīng)網(wǎng)絡(luò)模型將時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為二維數(shù)據(jù)，通過(guò)卷積層提取特征，再經(jīng)過(guò)最大池化和softmax分類(lèi)，輸出異常數(shù)據(jù)的分布位置。
23、優(yōu)選的，所述采用臨近點(diǎn)標(biāo)簽聚合的策略，通過(guò)計(jì)算時(shí)間域聚合特征指數(shù)，將原始數(shù)據(jù)集的標(biāo)簽信息遷移到增強(qiáng)后的數(shù)據(jù)集中，包括：
24、對(duì)于原始工業(yè)時(shí)序數(shù)據(jù)集中的數(shù)據(jù)元素xi，數(shù)據(jù)元素xi訓(xùn)練過(guò)程中的時(shí)間域聚合特征指數(shù)表示為：
25、
26、其中，ni是工業(yè)時(shí)序數(shù)據(jù)中節(jié)點(diǎn)i的鄰域，xj為鄰域值，leakyrelu(·)是訓(xùn)練過(guò)程中采用的一種非線性激活函數(shù)，aij是數(shù)據(jù)元素i,j間的聚合得分；
27、通過(guò)softmax函數(shù)進(jìn)行鄰域歸一化，計(jì)算每個(gè)鄰域點(diǎn)的聚合得分；
28、
29、其中，d(xi,xj)為數(shù)據(jù)元素xi,xj之間的距離；
30、根據(jù)聚合得分，將原始數(shù)據(jù)中的標(biāo)簽遷移到增強(qiáng)后的數(shù)據(jù)點(diǎn)上。
31、第二方面，本專(zhuān)利技術(shù)實(shí)施例提供一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)系統(tǒng)，包括：
32、數(shù)據(jù)采集模塊，用于采集工業(yè)生產(chǎn)過(guò)程中的工業(yè)時(shí)序數(shù)據(jù)；
33、數(shù)據(jù)增強(qiáng)模塊，用于結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)；
34、異常檢測(cè)模塊，用于采用加入時(shí)間注意力機(jī)制的1d單層卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)。
35、第三方面，本專(zhuān)利技術(shù)還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，其中，
36、所述存儲(chǔ)器，用于存儲(chǔ)程序；
37、所述處理器，與所述存儲(chǔ)器耦合，用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的所述程序，以實(shí)現(xiàn)如本專(zhuān)利技術(shù)第一方面實(shí)施例所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
38、第四方面，本專(zhuān)利技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)如本專(zhuān)利技術(shù)第一方面實(shí)施例所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
39、本專(zhuān)利技術(shù)提供的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，具有如下有益效果：
40、1)本專(zhuān)利技術(shù)通過(guò)對(duì)原始工業(yè)時(shí)序數(shù)據(jù)進(jìn)行插值增強(qiáng)，提高了數(shù)據(jù)樣本容量，同時(shí)提高了數(shù)據(jù)的采樣頻率，為增強(qiáng)后的數(shù)據(jù)還原真實(shí)數(shù)據(jù)包含的關(guān)鍵信息起到了關(guān)鍵作用。
41、2)本專(zhuān)利技術(shù)結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法對(duì)工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，提升了數(shù)據(jù)樣本的豐富性和多樣性，有利于后續(xù)基于深度學(xué)習(xí)的模型訓(xùn)練中的參數(shù)收斂和抗過(guò)擬合。
42、3)本專(zhuān)利技術(shù)在模型訓(xùn)練過(guò)程中通過(guò)時(shí)間域聚合特征指數(shù)的策略引入，不僅將訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)的時(shí)序特征進(jìn)行了初步提取，同時(shí)實(shí)現(xiàn)了對(duì)增強(qiáng)后數(shù)據(jù)的自動(dòng)化標(biāo)注，降低了人工標(biāo)注的人工成本和時(shí)間成本，提高了模型訓(xùn)練效率；
43、4)本專(zhuān)利技術(shù)采用1d卷積神經(jīng)網(wǎng)絡(luò)處理時(shí)序數(shù)據(jù)輸入，并通過(guò)特征提取進(jìn)一步采用softmax分類(lèi)方法檢測(cè)異常情況，將時(shí)序問(wèn)題轉(zhuǎn)化為圖形特征，提高了檢測(cè)的效率，使用本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在采集工業(yè)生產(chǎn)過(guò)程中的工業(yè)時(shí)序數(shù)據(jù)的過(guò)程中，還包括：
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，包括：
4.根據(jù)權(quán)利要求3所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述對(duì)插值生成的中間數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)，包括：
5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述采用加入時(shí)間注意力機(jī)制的1D單層卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)，包括：
6.根據(jù)權(quán)利要求5所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述采用臨近點(diǎn)標(biāo)簽聚合的策略，通過(guò)計(jì)算時(shí)間域聚合特征指數(shù)，將原始數(shù)據(jù)集的標(biāo)簽信息遷移到增強(qiáng)后的數(shù)據(jù)集中，包括：
7.一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)系統(tǒng)，其
8.一種電子設(shè)備，
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)上述權(quán)利要求1至6中任意一項(xiàng)所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
...【技術(shù)特征摘要】
1.一種基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在采集工業(yè)生產(chǎn)過(guò)程中的工業(yè)時(shí)序數(shù)據(jù)的過(guò)程中，還包括：
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述結(jié)合數(shù)據(jù)插值方法和數(shù)據(jù)預(yù)處理方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，包括：
4.根據(jù)權(quán)利要求3所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述對(duì)插值生成的中間數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到數(shù)據(jù)增強(qiáng)后的工業(yè)時(shí)序數(shù)據(jù)，包括：
5.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：陳再勵(lì)，吳賓，馮樹(shù)慶，雷歡，方建生，鐘震宇，
申請(qǐng)(專(zhuān)利權(quán))人：廣東省科學(xué)院智能制造研究所，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。