[发明专利]基于多维传感数据的工业系统生产异常检测与诊断方法

说明书

本发明公开了一种基于多维传感数据的工业系统生产异常检测与诊断方法，包括：对多维传感数据样本进行预处理，并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本；采用自动编码机，以无监督训练方式基于正常子样本训练得到异常检测模型；根据异常检测模型训练分类模型；基于异常检测模型和分类模型对工业系统生产异常进行实时检测与诊断。本发明解决了当前以黑盒模型针对多维传感数据异常检测的情况下难以进行异常诊断的问题。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种基于多维传感数据的工业系统生产异常检测与诊断方法。

背景技术

工业互联网旨在实现更敏锐、更高效的工业制造系统的自动化控制和资源分配，同时提高智能工厂的生产效率。然而，由于工业互联网打破了网络世界和物理世界的边界，使得工业制造系统更容易受到外部恶意行为的侵袭。此外，工业制造系统中不可避免的存在设备故障、性能下降、质量缺陷等生产问题。如果工业生产中的入侵、故障等异常情况不能被及时检测出来，将可能给整个制造体系带来严重的损失。因此，异常检测与诊断是工业互联网的基本要求，对智能制造企业具有十分重要的意义。

随着工业互联网的快速发展，现代化工业制造系统通过传感器，实现了对生产运行状态和过程的感知和记录，积累了大量的工业生产数据，数据驱动方法成为异常检测的主流手段。近年来，深度学习逐渐成为数据驱动方法的主流技术。然而，由于深度学习模型过于复杂、包含了大量的非线性变换，总体上是一个黑盒，其预测结果是不可解释的。在工业系统异常检测中，对检测结果的解释非常重要，是实现对异常检测结果诊断的基础。例如，异常检测结果诊断可以帮助定位哪个设备、哪个时间段发生了异常。

现有对深度学习模型进行解释的方法都专注于有监督学习模型，如SHAP、LIME等深度学习可解释框架。但由于工业生产数据十分复杂，人工标注的代价过大，导致获取到的工业生产数据基本都是无标注的，因此异常检测模型需要以无监督的方式训练。特别是自动编码机等新型的深度无监督学习模型，几乎无法让现有的深度学习可解释框架学习到异常样本与语义特征之间的关联，导致无法对深度无监督学习模型进行解释。

发明内容

本发明的目的在于提供一种基于多维传感数据的工业系统生产异常检测与诊断方法，提高异常诊断准确性。

为实现上述目的，本发明所采取的技术方案为：

一种基于多维传感数据的工业系统生产异常检测与诊断方法，所述基于多维传感数据的工业系统生产异常检测与诊断方法，包括：

S1、对多维传感数据样本进行预处理，并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本，所述子样本包含正常子样本和异常子样本；给定多维传感数据样本s∈R^N×T，s为一个二维矩阵，其中N为s的特征维度，即工业系统中所包含的设备个数，T为s的数据时长，即传感器的采样点个数；

S2、采用自动编码机，以无监督训练方式基于正常子样本训练得到异常检测模型；

S3、根据异常检测模型训练分类模型，包括：

步骤31、利用异常检测模型对含有正常子样本和异常子样本的子样本进行检测，并根据检测结果对子样本添加标记，得到有标注子样本集；

步骤32、假定F为N个特征的集合，根据特征的组合每次取集合F中的n个特征得到2^N-1个特征子集S，n＝1,2,…,N，根据每个特征子集从有标注子样本集中生成一个仅包含特征子集中的特征的训练子集，在每个训练子集上采用XGBoost分类器以有监督的方式训练一个分类模型，共得到2^N-1个分类模型；

S4、基于异常检测模型和分类模型对工业系统生产异常进行实时检测与诊断，包括：