[发明专利]一种基于LSTM自编码器和正常信号数据的异常检测系统及方法

说明书

本发明公开了一种基于LSTM自编码器和正常信号数据的异常检测系统及方法，该方法利用生成对抗的方式进行了自编码模型的训练，再通过距离度量模型进行异常检测，计算测试数据集中正常和异常数据的异常评分，以此度量关键序列之间的相对距离，来判断该部件是否出现异常。本发明针对吊弦松弛或不受力问题，建立仿真模型，获取吊弦震动信号数据，利用人工智能技术，建立高铁接触网吊弦松弛或不受力的智能化检测模型，该方法可以很好的应用到其他工业场景缺乏故障数据的情况，很大程度上可以解决因故障数据难以采集而导致无法进行异常检测的问题。

技术领域

本发明属于工程信号智能识别领域，具体涉及一种基于LSTM自编码器和正常信号数据的异常检测系统及方法。

背景技术

列车行车安全是高速铁路运营过程中最为重视的问题。在高速铁路基础设施中，接触网负责为电力机车提供动力供应的重要设备，接触网的工作状态直接关系着列车的运行安全。吊弦是接触网的“支架”，起着固定接触线和承力索的作用。在实际运营中，吊弦发生断裂的事故时有发生，据统计武广干线曾经在一年内发现吊弦断裂问题多达60次。

现阶段，各铁路公司对于接触网的异常检测方式主要是对2C和4C系统后的获取的视频和序列现场以人工浏览检查的方式进行。该方式需要大量的人力，且效率极为低下，并极容易受到个人主观因素的影响。另外，更为值得重视的是，接触网序列检测只能发现序列改变明显的异常情况，对于吊弦松弛或不受力等从视觉上看没有发生显著改变的异常情况，需要通过在接触网上安装传感器，获取其震动信号数据，通过智能识别的方法进行检测。然而，在接触网上直接安装传感器并进行信号数据传输在目前还有一定的困难，即使可以安装传感器，所能采集的异常信号也难以满足异常检测模型训练所需要的样本数量。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于LSTM自编码器和正常信号数据的异常检测系统及方法，以解决现有技术中难以发现视觉上没有明显改变的异常情况的问题，如吊弦松弛或不受力问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于LSTM自编码器和正常信号数据的异常检测方法，

向异常检测模型中输入采样数据；

异常检测模型计算采样数据的异常得分；所述异常检测模型通过生成对抗机制训练获得，所述异常检测模型包括生成器和判别器，所述生成器用于从采样数据中获得采样数据的语义编码c，然后将语义编码c重新构建为特征序列；所述判别器用于对比重新构建特征序列的特征向量和采样数据的特征序列，计算异常得分；

通过异常得分判断采样数据是否异常。

本发明的进一步改进在于：

优选的，所述异常检测模型的建立过程为：

步骤1，构建生成器G和判别器D；所述生成器包含编码器G_E和解码器G_D；所述生成器包括两层LSTM，第一层为编码器G_E，第二层为解码器G_D；所述编码器G_E用于从采样数据中获得采样数据的语义编码c，所述解码器G_D用于将语义编码c重新构建为特征序列；所述判别器为基于LSTM的分类网络；

步骤2，训练生成器G和判别器D，获得训练后的生成器G和判别器D；

步骤3，通过训练后的生成器G和判别器D对测试数据集进行测试，若测试数据集的输出结果和输入结果之间的异常评分符合要求，认定生成器G和判别器D满足要求，获得异常检测模型；若异常评分不符合要求，重复步骤1，重新建立异常检测模型，直至检测通过。

优选的，步骤2中，交替训练生成器G和判别器D；训练目标为所述L_adv为损失函数，其公式为：