【技术实现步骤摘要】
本专利技术属于工业设备时序数据异常检测，具体地涉及一种工业时间序列异常检测方法、一种工业时间序列异常检测装置、一种计算机设备和一种机器可读存储介质。
技术介绍
1、流程工业是指通过对资源（包括可回收资源）进行连续复杂的物理变化和化学反应，为制造业提供原料和能源的工业，通常包括化工、造纸、水泥、有色金属、钢铁、制药、食品饮料等行业，是现代工业的重要组成部分。对于大多数流程行业而言，由于输入原料来自自然界或工业废物，原材料物理特性很难保持均匀性和一致性，如压力、流量、硬度等，因此生产过程中容易出现运行状态异常，例如振动异常、温度异常等。如果工作人员不能及时发现这些异常，就很容易导致整个系统或设备出现故障、停机甚至引起严重事故。
2、随着物联网、大数据、人工智能等技术的发展，企业生产经营活动产生的数据类型和数量都呈指数级增长。近年来，越来越多的企业开始对这些数据进行实时采集和分析，用于生产线的可视化监控、制造过程的自动化分析和预测控制，以确保生产安全和产品交付效率。工业时间序列异常检测一直是数据分析应用的焦点之一，特别是在流程工业中。异常预警与异常解释对于保证数据质量，维护过程工业制造信息安全和运行稳定至关重要。
3、在过去的几年里，通常经验丰富的工程师手动为每个监控的时间序列设置阈值来识别异常。然而，随着近年来工业监控系统数据量和变量的增加，这种人工方法将不再适用，而数据驱动方法已逐渐成为研究热点。目前流程工业中工业时间序列异常检测所存在的问题主要为下述的三个方面。第一方面，大多数纯数据驱动的方法容易受到训练
技术实现思路
1、本专利技术实施例的目的是提供一种工业时间序列异常检测方法、一种工业时间序列异常检测装置、一种计算机设备和一种机器可读存储介质，用于克服现有技术中，传统工业时间序列异常检测方法所存在的受伪相关性影响较大、可解释性差等缺陷。
2、为了实现上述目的，本专利技术实施例的第一方面提供一种工业时间序列异常检测方法，所述方法包括：
3、利用布设在待检测工业系统中的传感器采集待检测工业系统运行中产生的由多种变量组成的生产过程数据，得到时间序列数据；
4、将时间序列数据转化为时间序列图结构，将时间序列图结构作为模型输入数据输入预先构建的重构模型，得到重构数据；
5、若重构数据中某个时间戳的重构变量数据与模型输入数据中该时间戳对应的原始变量数据的差异程度达到了预设的异常阈值，则确定该时间戳对应的原始变量数据状态异常；
6、其中，所述重构模型以自编码器作为基线构建，并在自编码器内的编码网络前加入用于提取高级知识表示信息的第一图注意力网络层和用于提取模型输入数据时序高级信息的第二图注意力网络层，第一图注意力网络层与第二图注意力网络层的输出进行融合后与自编码器内编码网络的输入连接，所述第一图注意力网络层的输入数据通过利用工业系统中设备与传感器之间的知识图谱得到的变量之间的交互关系构建。
7、可选的，所述重构模型包括复合编码器、对复合编码器的编码结果进行随机采样的隐藏空间和基于变分自编码原理构建得到的所述复合编码器对应的解码器，所述复合编码器包括第一图注意力网络层、第二图注意力网络层和编码网络，第一图注意力网络层和第二图注意力网络层的输出进行融合后与编码网络的输入连接。
8、可选的，所述编码网络采用lstm网络。
9、可选的，所述解码器内的解码网络采用lstm网络。
10、可选的，所述重构数据中某个时间戳的重构变量数据与模型输入数据中该时间戳对应的原始变量数据的差异程度通过异常得分表征，所述异常得分通过下式计算：
11、；
12、其中，表示时间戳 i对应的异常得分，表示模型输入数据中时间戳 i对应的原始变量数据，表示重构数据中时间戳 i对应的重构变量数据。
13、可选的，利用工业系统中设备与传感器之间的知识图谱得到的变量之间的交互关系构建所述第一图注意力网络层的输入数据，包括：
14、对工业系统中设备与传感器之间知识图谱的高阶关系进行总结，得到各个变量之间的直接交互关系和潜在交互关系；
15、根据变量之间的直接交互关系和潜在交互关系生成变量交互网络以及变量交互网络中各个节点的邻接矩阵；
16、其中，变量交互网络中节点的属性值为该节点对应变量的观测值，属性值的个数根据采集时间窗口的长度确定。
17、可选的，知识图谱的高阶关系包括变量与其他变量因为参与同一工艺过程或数据存在相关性而建立的直接相关关系、变量与其他变量因为参与同一个物理过程而建立的可能的相关关系、变量与其他变量因为对应的传感器安装在同一设备实体上而建立的可能的间接关系、变量与其他变量因为所涉及的物理过程相互关联而建立的可能的相关关系中的至少一者。
18、可选的，所述第一图注意力网络层采用多头随机注意机制。
19、可选的，所述多头随机注意机制具体为：
20、单独注意头节点 i的输出向量通过下式表示：；
21、；
22、；
23、；
24、通过汇总所有单独注意头的输出向量，产生节点 i的最终表示，且节点 i的最终表示通过下式表示：
25、；
26、其中，表示节点 i的输入向量，表示节点 i的输出向量，表示节点 i和节点 j之间的随机注意分数，()表示基于伯努利分布的抽样函数，表示节点 i的邻居集，表示节点 j的输入向量，和均表示权重矩阵本文档来自技高网...
【技术保护点】
1.一种工业时间序列异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述重构模型包括复合编码器、对复合编码器的编码结果进行随机采样的隐藏空间和基于变分自编码原理构建得到的所述复合编码器对应的解码器，所述复合编码器包括第一图注意力网络层、第二图注意力网络层和编码网络，第一图注意力网络层和第二图注意力网络层的输出进行融合后与编码网络的输入连接。
3.根据权利要求1或2所述的工业时间序列异常检测方法，其特征在于，所述编码网络采用LSTM网络。
4.根据权利要求2所述的工业时间序列异常检测方法，其特征在于，所述解码器内的解码网络采用LSTM网络。
5.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述重构数据中某个时间戳的重构变量数据与模型输入数据中该时间戳对应的原始变量数据的差异程度通过异常得分表征，所述异常得分通过下式计算：
6.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，利用工业系统中设备与传感器之间的知识图谱得到的变量之间的交互关系构建所述
7.根据权利要求6所述的工业时间序列异常检测方法，其特征在于，知识图谱的高阶关系包括变量与其他变量因为参与同一工艺过程或数据存在相关性而建立的直接相关关系、变量与其他变量因为参与同一个物理过程而建立的可能的相关关系、变量与其他变量因为对应的传感器安装在同一设备实体上而建立的可能的间接关系、变量与其他变量因为所涉及的物理过程相互关联而建立的可能的相关关系中的至少一者。
8.根据权利要求6所述的工业时间序列异常检测方法，其特征在于，所述第一图注意力网络层采用多头随机注意机制。
9.根据权利要求8所述的工业时间序列异常检测方法，其特征在于，所述多头随机注意机制具体为：
10.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述时间序列图结构的节点为滑动时间窗口内具有属性值的时间戳，时间戳上变量的观测值视为对应节点的属性值，所述第二图注意力网络层采用带有偏置机制的动态注意力机制进行时间戳之间特征注意力得分的计算。
11.根据权利要求10所述的工业时间序列异常检测方法，其特征在于，带有偏置机制的动态注意力机制具体为：
12.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述将时间序列数据转化为时间序列图结构，包括：
13.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述方法还包括：
14.一种工业时间序列异常检测装置，其特征在于，所述装置包括：
15.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至13中任一项所述的工业时间序列异常检测方法。
16.一种机器可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的工业时间序列异常检测方法。
...【技术特征摘要】
1.一种工业时间序列异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述重构模型包括复合编码器、对复合编码器的编码结果进行随机采样的隐藏空间和基于变分自编码原理构建得到的所述复合编码器对应的解码器，所述复合编码器包括第一图注意力网络层、第二图注意力网络层和编码网络，第一图注意力网络层和第二图注意力网络层的输出进行融合后与编码网络的输入连接。
3.根据权利要求1或2所述的工业时间序列异常检测方法，其特征在于，所述编码网络采用lstm网络。
4.根据权利要求2所述的工业时间序列异常检测方法，其特征在于，所述解码器内的解码网络采用lstm网络。
5.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，所述重构数据中某个时间戳的重构变量数据与模型输入数据中该时间戳对应的原始变量数据的差异程度通过异常得分表征，所述异常得分通过下式计算：
6.根据权利要求1所述的工业时间序列异常检测方法，其特征在于，利用工业系统中设备与传感器之间的知识图谱得到的变量之间的交互关系构建所述第一图注意力网络层的输入数据，包括：
7.根据权利要求6所述的工业时间序列异常检测方法，其特征在于，知识图谱的高阶关系包括变量与其他变量因为参与同一工艺过程或数据存在相关性而建立的直接相关关系、变量与其他变量因为参与同一个物理过程而建立的可能的相关关系、变量与其他变量因为对应的传感器安装在同一设备实体上而建立的可能的间接关系、变量与其他...
【专利技术属性】
技术研发人员：纪杨建，李奇轩，孙林进，张念，杨天诺，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。