【技术实现步骤摘要】
本专利技术涉及数据驱动的异常检测，特别涉及一种基于动态图双向变换的异常检测方法与装置。
技术介绍
1、实时的监控工业过程的运行状态，以及时发现操作运行中的异常或故障，是保障生产安全和成本优化管控的关键。尤其是随着现代工业过程规模的不断扩大与日益复杂化，越来越需要有效的异常检测技术，以监控生产安全与产品质量的稳定性。考虑到复杂的工业过程通常具有众多的传感器实时测量过程数据，以及大规模现代工业过程的复杂性与不确定性，建立精确的机理模型进行异常检测几乎是不可能的。相比之下，利用大量的过程数据挖掘有用的信息用于检测异常运行状态变得愈发可行，并且也得到了工业界的重视。
2、一篇于2023年发表在期刊《ieee transactions on industrial informatics》上的标题为“density-based structure preserving projections process monitoringmodel for fused magnesia smelting process”的英文论文提出了一种基于密度结构保持投影算法的过程监测方法，通过对过程数据在空间分布密度信息的表示学习，实现了对熔镁冶炼工艺过程的异常检测。另一篇于2024年发表在期刊《ieee transactions oninstrument and measurement》上的标题为“multineighbor ensemble preservingembedding for process monitoring”的英文论文披露了一
3、申请号为202310063661.8的中国专利技术专利公开了一种基于全结构动态自回归隐变量模型的多尺度过程故障检测方法，该方法从过程数据的全结构角度对其实施时序变化信息的表示学习，建立相应的自回归隐变量模型，从而实施化工过程的异常检测。申请号为202410177636.7的中国专利技术专利公开了一种数据时空邻域特征增强的工业过程故障检测方法及装置，利用时空-堆叠稀疏自动编码器-规范变量分析对过程数据实施空间分布与时序变化信息的表示学习，解决传统的过程监测方法忽略数据时空邻域、未考虑数据动态性等导致故障检测效率不足的问题。此外，申请号为202410878009.6的中国专利技术专利公开了一种基于动态潜变量邻域保持嵌入算法的故障检测方法，通过依次对过程数据实施动态分析和近邻保持嵌入分析，实现对过程数据的变化特征的表示学习，提升了针对半间歇生产过程的异常检测灵敏性。
4、由此可见，在过程数据空间分布特征表示学习的基础上，进一步考虑过程数据的动态性是有利于异常检测效果提升的。然而，这三个专利技术专利中公开的技术方案都是通过顺序串联的方式依次进行特征表示学习，要么先针对空间分布特征，再针对时序上的动态特征；要门反过来先实施动态性分析，再实施空间分布特征分析，无法在特征表示学习时协同的考虑过程数据在时序上的动态性和空间分布上的近邻关系。从这个角度看，这些方法无法全面有效的实施过程数据的特征表示学习，在某些故障上会导致出现异常或故障检测率不足的问题。
技术实现思路
1、本专利技术所要解决的主要技术问题是：如何协同的表示学习过程数据在时序动态性和空间分布上的变化特征，全面的捕获工业过程数据中潜藏的有利于描述正常运行状态数据变化的特征，从而改善提升异常检测的效果，降低异常漏报的可能性。
2、本专利技术解决上述问题所采用的技术方案为：一种基于动态图双向变换的异常检测方法与装置；其中，本专利技术公开的一种基于动态图双向变换的异常检测方法的实施过程包括以下所示步骤1至步骤4。
3、步骤1、在工业过程运行正常时，获取连续n个采样时刻的过程数据，按照采样时间先后顺序对应排列成n个列向量x1,x1,…,xn，再按照公式xi＝[xi+d,xi+d-1,…,xi]组建n个动态图矩阵x1,x2,…,xn后，对各个动态图矩阵实施标准化处理；其中，xi表示第i个动态图矩阵，n表示一个不小于500的整数，动态阶数d为一个不小于2且不大于10的整数，n＝n-d，编号i＝1,2,…,n。
4、步骤2、为标准化处理后的各个动态图矩阵分别确定其各自对应的k个近邻，并计算这k个近邻的平均值，对应分别记为其中，k为不小于5且不大于10的整数。
5、步骤3、实施动态图双向变换分析，得到j个左变换向量u1,u2,…,uj和j个右变换向量v1,v2,…,vj后，再通过公式计算n个得分向量s1,s2,…,sn；其中，si表示第i个得分向量，参数j为一个小于动态图矩阵xi中行向量总数的正整数，上标号t表示矩阵或向量的转置。
6、步骤4、根据公式计算每个得分向量对应的异常指标，从而确定出异常指标的阈值后，再按照采样时间间隔重复执行以下所示步骤4-1至步骤4-3；其中，ζi表示si对应的异常指标，λ表示得分向量的协方差矩阵，即：λ＝[s1,s2,…,sj][s1,s2,…,sj]t/(n-1)。
7、步骤4-1、获取工业过程在最新采样时刻的过程数据，组成对应的列向量xt，再按照公式xt＝[xt,xt-1,xt-2,…,xt-d]组建最新采样时刻t的动态图矩阵xt后，对xt实施与步骤1中相同的标准化处理；其中，xt-1,xt-2,…,xt-d表示t之前的连续d个采样时刻的列向量。
8、步骤4-2、按照步骤3中相同的方式计算得分向量st后，再根据公式计算最新采样时刻的异常指标ζt，并判断其是否大于步骤4中确定的阈值；若是，则执行步骤4-3决策是否触发异常警报；若否，则返回步骤4-1。
9、步骤4-3、按照采样时间间隔重复执行步骤4-1至4-2，直至得到连续f个最新采样时刻的异常指标，若它们都大于步骤4中确定的阈值，则触发异常警报；其中，f为不小于3的正整数。
10、在上述实施步骤中，本专利技术方法区别于现有技术方案的核心技术特征在于步骤3中的动态图双向变换分析，包括以下所示步骤3-1至步骤3-4。
11、步骤3-1、确定参数j后，依次设置j＝1,2,…,j，并执行以下所示步骤3-2得到相应的第j个左变换向量uj和第j个右变换向量vj。
12、步骤3-2、随机初始化uj，再重复执行以下所示步骤3-3至步骤3-4直至uj收敛。
13、步骤3-3、求解广义特征值问题中最小特征值λj对应的特征向量v后，再通过计算第j个右变换向量vj。
14、步骤3-4、若j等于1，则求解广义特征值问题gu＝λjlu中最小特征值λj对应的特征向量u；若j大于1，则求解特征值问题中最小特征值对应的特征向量u；再通过更新uj；其中，i表示单位矩阵，uj-1＝[u1,u本文档来自技高网...
【技术保护点】
1.一种基于动态图双向变换的异常检测方法，包括以下步骤1至步骤4：
2.根据权利要求1所述的一种异常检测方法，其特征是，所述动态图双向变换分析的步骤3-1替换成：设置参数J后，依次设置j＝1,2,…,M，并执行所述步骤3-2得到相应的第j个左变换向量uj、第j个右变换向量vj、以及最小特征值λj；其中，M等于所述步骤1中列向量的维数；再在所述步骤3-4之后增加如下步骤3-5：
3.根据权利要求1或2所述的一种异常检测方法，其特征是，所述步骤2是按照如下所示步骤A-1至步骤A-3为第i个动态图矩阵Xi确定其对应的k个近邻：
4.根据权利要求1或2所述的一种异常检测方法，其特征在于，所述步骤2是按照如下所示步骤B-1至步骤B-3为第i个动态图矩阵Xi确定其对应的k个近邻：
5.根据权利要求1或2所述的一种异常检测方法，其特征是，所述步骤2是按照如下所示步骤C-1至步骤C-6为第i个动态图矩阵Xi确定其对应的k个近邻：
6.根据权利要求5中所述的一种异常检测方法，其特征在于，所述步骤C-2中设置β1等于所述步骤C-1中计算得到
7.根据权利要求1、2、或6中任意一项所述的一种异常检测方法，其特征在于，所述步骤2中k个近邻的平均值的计算过程如下所示：
8.根据权利要求1、2、或6中任意一项所述的一种异常检测方法，其特征在于，所述步骤2中k个近邻的平均值的计算过程如下所示：
9.一种基于动态图双向变换的异常检测装置，包括参数初始化模块、数据获取模块、数据处理模块、显示模块、和异常警报器；其中，
10.根据权利要求9所述的一种异常检测装置，其特征在于，所述参数初始化模块执行实现的是权利要求2中所述的动态图双向变换分析。
...【技术特征摘要】
1.一种基于动态图双向变换的异常检测方法，包括以下步骤1至步骤4：
2.根据权利要求1所述的一种异常检测方法，其特征是，所述动态图双向变换分析的步骤3-1替换成：设置参数j后，依次设置j＝1,2,…,m，并执行所述步骤3-2得到相应的第j个左变换向量uj、第j个右变换向量vj、以及最小特征值λj；其中，m等于所述步骤1中列向量的维数；再在所述步骤3-4之后增加如下步骤3-5：
3.根据权利要求1或2所述的一种异常检测方法，其特征是，所述步骤2是按照如下所示步骤a-1至步骤a-3为第i个动态图矩阵xi确定其对应的k个近邻：
4.根据权利要求1或2所述的一种异常检测方法，其特征在于，所述步骤2是按照如下所示步骤b-1至步骤b-3为第i个动态图矩阵xi确定其对应的k个近邻：
5.根据权利要求1或2所述的一种异常检测方法，其特征是，所述步...
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。