基于单类对比学习时序异常检测方法及相关装置制造方法及图纸

本申请提供的一种基于单类对比学习时序异常检测方法及相关装置中，通过将目标设备的待检测序列以对比学习的方式经第一自编码以及第二自编码器进行处理；然后，根据第一自编码器以及第二自编码器输入以及输出的特征向量计算与单类中心之间的相似度；最后，根据计算出的相似度获得相应的目标异常得分，用于判断目标设备是否发生异常。由此，不仅增强了单类方法与对比学习之间的结合深度，而且通过自编码器提取了待检序列中的时序依赖信息，从而提升对目标设备进行异常检测时的精度。提升对目标设备进行异常检测时的精度。提升对目标设备进行异常检测时的精度。

【技术实现步骤摘要】
基于单类对比学习时序异常检测方法及相关装置


[0001]本申请涉及故障诊断领域，具体而言，涉及一种基于单类对比学习时序异常检测方法及相关装置。

技术介绍

[0002]随着传感技术与物联网的快速发展，工业设备可采集到大量无健康状态标签的时序数据，而基于时序数据无监督深度学习实现工业设备的异常检测逐渐受到越来越多的关注。其中，相关技术中提出了基于正态表征的异常检测方法。
[0003]所谓基于正态表征的异常检测方法，建立在时序数据满足正太假设的基础上，相关方法包括自编码器、生成对抗网络、单类（One
‑
class）方法以及对比学习（Contrastive Learning）。一些研究发现，将上述基于正态性假设方法进行组合可以从数据中学习更具表现力的表征，从而能够提升异常检测的准确率；但目前的结合方式多采用两阶段方式，该方式缺乏方法之间的结合深度，难以克服方法之间的冲突，并且未对时序数据的时序依赖信息进行分析。

技术实现思路

[0004]为了克服现有技术中的至少一个不足，本申请提供一种基于单类对比学习时序异常检测方法及相关装置，用于在异常检测时考虑了时序数据的时序依赖信息的同时，并增强基于正态性假设方法之间的结合深度，从而提升对设备进行异常检测时的精度。
[0005]第一方面，本实施例提供一种基于单类对比学习时序异常检测方法，所述方法包括：获取目标设备的待检测序列，其中，所述待检测序列通过对所述目标设备的目标状态信息进行采样获得；将所述待检测序列采用不同的方式进行增强处理，获得第一序列以及第二序列；根据所述第一序列以及所述第二序列，获得至少一组特征对，其中，每组特征对包括第一特征向量以及第二特征向量，所述第一特征向量提取自所述第一序列中的第一序列片段，所述第二特征向量提取自所述第二序列中的第二序列片段，所述第一序列片段与所述第二序列片段分别截取自相同的片段位置；针对每组所述特征对，将所述特征对中的第一特征向量以及第二特征向量分别输入故障检测模型的第一自编码器以及第二自编码器，获得所述第一特征向量的第一重构向量以及所述第二特征向量的第二重构向量，其中，所述故障检测模型基于对比学习原理构建；根据所述第一特征向量、所述第二特征向量、所述第一重构向量以及所述第二重构向量与单类中心之间的相似度，获得所述特征对的目标异常得分；若全部所述特征对的目标异常得分满足预设异常条件，则确定所述目标设备发生异常。
[0006]第二方面，本实施例提供一种基于单类对比学习时序异常检测装置，所述基于单类对比学习时序异常检测装置包括：特征提取模块，用于获取目标设备的待检测序列，其中，所述待检测序列通过对所述目标设备的目标状态信息进行采样获得；所述特征提取模块，还用于将所述待检测序列采用不同的方式进行增强处理，获得第一序列以及第二序列；所述特征提取模块，还用于根据所述第一序列以及所述第二序列，获得至少一组特征对，其中，每组特征对包括第一特征向量以及第二特征向量，所述第一特征向量提取自所述第一序列中的第一序列片段，所述第二特征向量提取自所述第二序列中的第二序列片段，所述第一序列片段与所述第二序列片段分别截取自相同的片段位置；所述特征提取模块，还用于针对每组所述特征对，将所述特征对中的第一特征向量以及第二特征向量分别输入故障检测模型的第一自编码器以及第二自编码器，获得所述第一特征向量的第一重构向量以及所述第二特征向量的第二重构向量，其中，所述故障检测模型基于对比学习原理构建；异常检测模块，用于根据所述第一特征向量、所述第二特征向量、所述第一重构向量以及所述第二重构向量与单类中心之间的相似度，获得所述特征对的目标异常得分；所述异常检测模块，还用于若全部所述特征对的目标异常得分满足预设异常条件，则确定所述目标设备发生异常。
[0007]第三方面，本实施提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的基于单类对比学习时序异常检测方法。
[0008]第四方面，本实施例还提供一种电子设备，所述电子设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的基于单类对比学习时序异常检测方法。
[0009]第五方面，本实施例提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现所述的基于单类对比学习时序异常检测方法。
[0010]相对于现有技术而言，本申请具有以下有益效果：本实施例提供的一种基于单类对比学习时序异常检测方法及相关装置中，通过将目标设备的待检测序列以对比学习的方式经第一自编码以及第二自编码器进行处理；然后，根据第一自编码器以及第二自编码器输入以及输出的特征向量计算与单类中心之间的相似度；最后，根据计算出的相似度获得相应的目标异常得分，用于判断目标设备是否发生异常。由此，不仅增强了单类方法与对比学习之间的结合深度，而且通过自编码器提取了待检序列中的时序依赖信息，从而提升对目标设备进行异常检测时的精度。
附图说明
[0011]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0012]图1为本申请实施例提供的对比学习原理示意图；图2为本申请实施例提供的单类方法原理示意图；图3为本申请实施例提供的电子设备结构示意图；图4为本申请实施例提供的基于单类对比学习时序异常检测方法流程示意图；图5为本申请实施例提供的异常检测模型结构示意图；图6为本申请实施例提供的待训练模型训练原理示意图；图7为本申请实施例提供的损失函数构造原理示意图；图8为本申请实施例提供的基于单类对比学习时序异常检测装置结构示意图。
[0013]图标：120
‑
存储器；130
‑
处理器；140
‑
通信单元；201
‑
特征提取模块；202
‑
异常检测模块。
具体实施方式
[0014]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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0015]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
[0016]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0017]在本申请的描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单类对比学习时序异常检测方法，其特征在于，所述方法包括：获取目标设备的待检测序列，其中，所述待检测序列通过对所述目标设备的目标状态信息进行采样获得；将所述待检测序列采用不同的方式进行增强处理，获得第一序列以及第二序列；根据所述第一序列以及所述第二序列，获得至少一组特征对，其中，每组特征对包括第一特征向量以及第二特征向量，所述第一特征向量提取自所述第一序列中的第一序列片段，所述第二特征向量提取自所述第二序列中的第二序列片段，所述第一序列片段与所述第二序列片段分别截取自相同的片段位置；将所述至少一组特征对中全部的第一特征向量以及全部的第二特征向量分别输入故障检测模型的第一自编码器以及第二自编码器，获得每个所述第一特征向量的第一重构向量以及每个所述第二特征向量的第二重构向量，其中，所述故障检测模型基于对比学习原理构建；分别根据每组特征对的第一特征向量、第二特征向量、第一重构向量以及第二重构向量与单类中心之间的相似度，获得每组所述特征对的目标异常得分；若全部所述特征对的目标异常得分满足预设异常条件，则确定所述目标设备发生异常。2.根据权利要求1所述的基于单类对比学习时序异常检测方法，其特征在于，所述分别根据每组所述特征对的第一特征向量、第二特征向量、第一重构向量以及第二重构向量与单类中心之间的相似度，获得每组所述特征对的目标异常得分，包括：针对每组所述特征对，根据所述特征对的第一特征向量、第一重构向量以及第二特征向量与所述单类中心之间的相似度，获得所述特征对的第一异常得分；根据所述特征对的第二特征向量、第二重构向量以及第一特征向量与所述单类中心之间的相似度，获得所述特征对的第二异常得分；从所述第一异常得分以及所述第二异常得分中选取最大的异常得分，作为所述特征对的目标异常得分。3.根据权利要求2所述的基于单类对比学习时序异常检测方法，其特征在于，所述第一异常得分的计算方式为：所述第二异常得分的计算方式为：式中，表示所述第一特征向量，表示所述第一重构向量，表示第二特征向量，表示所述单类中心， 表示所述第二特征向量，表示所述第二重构向量，表示第一特征向量， 表示进行余弦相似度计算。4.根据权利要求1所述的基于单类对比学习时序异常检测方法，其特征在于，所述故障检测模型还包括第一特征提取层以及第二特征提取层，所述根据所述第一序列以及所述第二序列，获得至少一组特征对，包括：根据所述第一序列以及所述第二序列，从中截取至少一组片段对，其中，每组所述片段
对包括截取自相同片段位置的第一序列片段以及第二序列片段；将所述至少一组片段对中的全部第一序列片段以及全部的第二序列片段分别输入所述第一特征提取层以及所述第二特征提取层，获得每个所述第一序列片段的第一特征向量以及每个所述第二序列片段的第二特征向量；将与每组所述片段对相对应的第一特征向量以及第二特征向量，...

【专利技术属性】
技术研发人员：郭晓辉，牟许东，王瑞，刘重伟，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：