【技術實現步驟摘要】
本專利技術涉及傳感器的異常信號檢測，特別是涉及一種全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法。
技術介紹
1、工業物聯網在推進工業智能化和智能制造方面發揮著至關重要的作用。具體而言，它集成了多種異構傳感器，例如壓力、振動和角度等傳感器，來監視和控制工業設備或工業生產過程的運行狀態。受工業物聯網的影響，傳統因獨立而相對安全的工業系統或工業設備開始彼此互聯，且與外部網絡開始對接，這就導致這些系統或設備越來越容易受到外部攻擊從而出現運行異常。此外，工業物聯網的快速擴展也迫使需要部署更多的傳感器來對工業系統和設備執行更細粒度的管理和控制。然而，這些傳感器經常暴露在惡劣的生成環境下，如潮濕、陰暗等，使其容易受到外部干擾和機械故障的導致異常發生。在這樣情況下，工業物聯網系統中傳感器經常發生異常事件，輕則妨礙工業設備或生成的智能管理和維護，重則造成設備損壞、財產損失或人員傷亡。因此，工業物聯網中的異常檢測至關重要，一直是一個極具挑戰的研究熱點。
2、為了發現工業物聯網中的異常事件，早期的方法依賴于傳感器信號的統計特征(例如距離、方差和密度)來構建檢測模型。然而，這些模型難以捕獲傳感器信號的復雜特征，導致其準確性不足。為了解決這個問題，人們開始探索基于機器學習和基于深度學習的模型。他們使用大量的歷史數據集和昂貴的人工標簽并通過監督學習或半監督學習的模式來精準捕獲傳感器信號中的復雜特征，進而提高模型準確性。然而，工業物聯網系統中的異常標簽非常稀缺，生成標簽的成本又十分昂貴，這就導致基于監督或半監督的深度異常檢測模型逐漸失去競
3、工業物聯網的傳感器信號擁有了一些新的特點，這也給異常檢測帶來了一些新的挑戰。
4、挑戰一：難以精準提取傳感器信號內的復雜特征。在不斷增長的高質量生產需求的推動下，傳統的生產過程變得越來越復雜，呈現出季節性、周期性和趨勢性等多種運行模式。這些復雜的生產過程不僅導致傳感器采集的信號日益復雜，還需要更細粒度的智能管理和監控。為此，工業物聯網需要部署更多的傳感器，以更深入、更全面地監控生產過程。因此，由多個傳感器采集到的工業物聯網傳感器信號呈現出了一些新的特點：特征更復雜、變量更多、變量耦合性更強、數據量更大和標簽更稀缺。這些新特點使的從正常傳感器信號中識別出異常信號變得更加困難。
5、挑戰二：忽略了資源有限場景下模型需要的高時效性和低消耗性。一般情況下，工業場景中的控制和感知設備的資源都很有限，如薄弱的計算能力和有限的存儲容量。然而，細粒度的工業智能控制需要對這些資源有限的設備進行實時且準確地監控與管理。在此背景下，工業物聯網中高效的異常檢測模型應同時具備高時效性、低資源消耗和高準確性。只有同時具備這三個優勢，才能在資源有效的工業場景中實現早期異常的精準和實時檢測。而且，相比于高精度而言，高時效性和低資源消耗更是異常檢測模型或方法應該優先追求或具備的能力。因此，一個理想的工業物聯網異常檢測模型應該在盡可能快地檢測傳感器信號異常的同時最小化計算和存儲資源的使用。然而，現有模型往往只熱衷于通過構建深層且龐大的神經網絡來追求高精度，忽略了資源有限的問題，導致現有模型的時效性差、資源消耗高，大都只能部署在云端、無法在資源有限的邊緣設備上部署。
6、為了應對第一個挑戰，現有的解決方案側重于構建具有深層結構和龐大參數的臃腫神經網絡來增強模型的特征捕獲能力，進而提升模型精度。例如，anomalytransformer模型和dcdetector模型分別采用transformer網絡和注意網絡作為特征提取器來提取傳感器信號中的復雜特征。c.tang等人雇傭門控循環單元網絡(gru)準確捕獲短期和長期時間依賴性。dtaad模型集成了transformer網絡和雙向時間卷積網絡(tcn)來改進特征提取能力。類似地，mst-gat模型和2p-das模型使用圖神經網絡(gnn)和生成對抗網絡(gan)來更準確地捕獲傳感器信號的特征。然而，這些模型中的巨大參數通常會導致高cpu/gpu資源消耗，它們深層架構會顯著增加訓練和檢測時間。這就導致現有模型只能部署在資源強大的云端，難以直接部署在資源有限的邊緣設備上。
7、為了應對第二個挑戰，現有的解決方案分為以下兩類。第一類方案采用并行計算和聯邦學習等技術來加速檢測模型，從而提高模型的時效性。然而，這種解決方案雖然實現了高時效性，但需要更多的計算和存儲資源。因此，這種解決方案很難部署在資源有限的工業物聯網邊緣設備上。第二類方案采用輕量化組件來替換臃腫的深度模型中的計算密集的組件，從而大大減少模型參數，提升模型時效性，減少模型的資源消耗。然而，這些模型仍然具有深層結構，其在時效性和資源消耗方面的提升仍然無法令人滿意。這就導致他們也很難在資源有限的邊緣設備上實現部署和流暢的運行。
8、總之，大多數現有模型都熱衷于通過構建具有深層結構和龐大參數的臃腫神經網絡來獲取高精度。作為結果，這些模型通常表現出較差的時效性和較高的資源消耗，使其不適用于資源有限的邊緣工業場景。
技術實現思路
1、針對上述要解決的技術問題，本專利技術提供一種全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，該方法同時具有高精度、高時效性和低資源消耗的優勢。
2、為解決上述技術問題，本專利技術提出的技術方案為：
3、一種全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，所述異常檢測方法從“局部到全局”和“全局到局部”兩個角度構建一個雙分支重構學習過程；每個分支的重構學習過程利用兩個兩層mlp網絡分別在時域和頻域中進行重構學習，并利用重構一致性對齊時域和頻域；利用不同權重融合兩個分支重構學習中得到的時頻域重構誤差，從而判定每個時間戳否為異常；具體包括以下步驟：
4、步驟s1，變量獨立采樣，為每個時間戳生成局部鄰居和全局鄰居；
5、步驟s2，局部到全局的時頻域協同重構學習，作為全mlp框架的第一個重構學習分支；雇用一個基于實數的兩層mlp網絡在時域中執行“局部到全局”的重構學習；同時雇用另一個基于復數的兩層mlp網絡在頻域中執行“局部到全局”的重構學習；利用時域和頻域中全局重構值的一致性對齊時域和頻域；
6、步驟s3，全局到局部的時頻域協同重構學習，作為全mlp框架的第二個重構學習分支，應用一個基于實數的兩層mlp網絡在時域中執行“全局到局部”的重構學習；同時，應用另一個基于復數的兩層mlp網絡在頻域中執行“全局到局部”的重構學習；利用時域和頻域中局部重構值的一致性對齊時域和頻域；
7、步驟s4，基于時頻重構誤差的異常評分，以雙分支重構學習過程中得到的時頻域重構誤差為基礎，利用不同權重融合兩個誤差為每個時間戳生成一個異常分數，判定其是否為異常。
8、作為上述技術方案地進一步改進為：
9、優選地，所述步驟s1中，設第m個變量上第t個時間的變量獨立采樣過程為：
10、s1本文檔來自技高網...
【技術保護點】
1.一種全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述異常檢測方法從“局部到全局”和“全局到局部”兩個角度構建一個雙分支重構學習過程；每個分支的重構學習過程利用兩個兩層MLP網絡分別在時域和頻域中進行重構學習，并利用重構一致性對齊時域和頻域；利用不同權重融合兩個分支重構學習中得到的時頻域重構誤差，從而判定每個時間戳否為異常；具體包括以下步驟：
2.根據權利要求1所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟S1中，設第m個變量上第t個時間的變量獨立采樣過程為：
3.根據權利要求1所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟S2中，具體學習過程為：
4.根據權利要求3所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述時域重構學習中，設第m個變量的第t個時間戳的局部到全局重構學習過程為：
5.根據權利要求4所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述頻域重構學習中，設第m個變量的第t個時
6.根據權利要求3所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟S3中，具體學習過程為：
7.根據權利要求6所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述時域重構學習中，設第m個變量上的第t個時間戳的全局到局部重構過程為：
8.根據權利要求6所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述頻域重構學習中，設第m個變量上第t個時間戳的全局到局部的重構過程為：
9.根據權利要求8所述的全MLP輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟S4中，設待測試的時間戳為t，其異常評分過程為：
...【技術特征摘要】
1.一種全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述異常檢測方法從“局部到全局”和“全局到局部”兩個角度構建一個雙分支重構學習過程；每個分支的重構學習過程利用兩個兩層mlp網絡分別在時域和頻域中進行重構學習，并利用重構一致性對齊時域和頻域；利用不同權重融合兩個分支重構學習中得到的時頻域重構誤差，從而判定每個時間戳否為異常；具體包括以下步驟：
2.根據權利要求1所述的全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟s1中，設第m個變量上第t個時間的變量獨立采樣過程為：
3.根據權利要求1所述的全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述步驟s2中，具體學習過程為：
4.根據權利要求3所述的全mlp輕量架構下時頻域協同的工業物聯網異常檢測方法，其特征在于，所述時域重構學習中，設第m個變量的第t個時間戳的局部到全局重構學...
【專利技術屬性】
技術研發人員：陳磊，劉旭欣，何庭欽，徐業鵬，鄧杏葉，張紅強，
申請(專利權)人：湖南科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。