[发明专利]一种异常检测方法及系统

说明书

技术领域

本发明涉及检测领域，尤其涉及一种异常检测方法及系统。

背景技术

近些年，国内外科研机构对航天设备异常检测相关技术开展了大量的研究，例如，NASA(National Aeronautics and Space Administration，美国国家航空航天局)开发的Orca工具以及IMS工具。Orca是面向多元数据挖掘的工具，主要通过计算相邻点距离对航天设备进行异常检测，而IMS采用聚类方法对状态检测正常的数据进行聚类，以识别后续异常数据，两者均被应用于对地观测卫星等航天设备的未知异常挖掘。

然而上述两种工具都存在一定的缺点。航天设备的空间有效载荷由于上行指令控制、部件性能衰退及外界工况扰动等因素的影响，数据在局部范围内呈现出明显的波动性特点，一方面，空间有效载荷数据属于多分类复杂跳变数据，基于距离计算的Orca难以处理复杂跳变数据的异常检测问题；另一方面，空间有效载荷数据异常一般不属于单点异常问题，数据各类别间难以明确正负样本边界，利用IMS难以有效实现异常状态的准确检测。

也就是说，空间有效载荷工作模式设定以及参数间的关联性较为复杂，参数异常通常不属于简单的单点异常问题，正负样本之间的边界难以准确设定，导致现有的检测算法在解决多分类复杂跳变数据的异常检测时具有较高的误检率。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种能有效解决空间有效载荷复杂跳变数据异常检测误检率高的问题的异常检测方法及系统。

本发明解决上述技术问题的技术方案如下：

一种异常检测方法，包括：

获取用于表示待检测物的正常状态的多维时间序列矩阵；

建立二维自组织映射特征网络结构，通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练，得到多变量状态估计记忆矩阵；

根据所述多变量状态估计记忆矩阵对所述待检测物的待检测数据进行异常检测。

本发明的有益效果是：本发明提供的一种异常检测方法，采用基于多维时间序列分析的异常检测方法，充分挖掘复杂跳变数据间的相关性和前后关系，提高了对复杂跳变数据的异常检测的精准度，能够有效解决对复杂跳变数据的异常检测误检率高的问题。

并且，本发明通过二维自组织映射特征网络结构对多变量状态估计记忆矩阵的构建方法进行优化，保证得到的异常检测模型能够覆盖所有正常运行状态，同时实现了正常状态记忆矩阵的简约表达，有助于提高异常检测的准确性和时效性。

本发明提供的异常检测方法，除了可以用于航空航天领域的空间有效载荷的异常检测，还可以推广到复杂机电设备的异常检测领域，在对复杂机电设备进行检测时，通过对复杂机电设备的实时检测数据进行在线分析，实时评价复杂机电设备的运行状态，挖掘和检测复杂机电设备的潜在异常并及时采取处理措施，能够有效避免严重故障或事故的发生。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述获取用于表示待检测物的正常状态的多维时间序列矩阵，具体包括：

确定影响待检测物的多个因素，分别获取各所述因素的全部影响因子；

根据各所述因素的全部影响因子，生成维度与所述因素的数量相同的多个初始多维时间序列；

从全部的所述初始多维时间序列中选取表示所述待检测物正常状态的全部的正常多维时间序列；

根据全部的所述正常多维时间序列建立用于表示待检测物的正常状态的多维时间序列矩阵。

采用上述进一步方案的有益效果是：通过获取能够影响待检测物的全部影响因素，并以此建立用于表示待检测物的正常状态的多维时间序列矩阵，能够保证得到的异常检测模型覆盖所有正常运行状态，同时实现了正常状态记忆矩阵的简约表达，有助于提高异常检测的准确性和时效性。

进一步地，所述通过所述二维自组织映射特征网络结构对所述多维时间序列矩阵进行迭代训练，得到多变量状态估计记忆矩阵，具体包括：

获取所述二维自组织映射特征网络结构中，输入层神经元到映射层神经元连接的全部的第一权值向量；

分别计算每个所述正常多维时间序列与映射层各所述第一权值向量的第一距离值，并从中选出最小第一距离值所对应的映射层神经元作为所述正常多维时间序列的获胜神经元，并将获胜神经元相同的正常多维时间序列分为一类；

根据预设的迭代算法，对每个所述获胜神经元及各所述获胜神经元的邻域神经元的第一权值向量进行迭代训练，当满足预设条件时，停止迭代训练，得到第二权值向量；