[发明专利]一种基于制造企业数据空间的时空数据异常检测方法

权利要求书

1.一种基于制造企业数据空间的时空数据异常检测方法，其特征在于，包括以下步骤：

S1、从制造企业的数据空间中获取制造业时空数据；

S2、对制造业时空数据进行数据清洗操作；

S3、对清洗后的制造业时空数据进行数据预处理操作；

S4、构建基于图卷积神经网络GCN和长短期记忆模型循环神经网络LSTM相结合的无监督预测模型；

S5、将预处理后得到的制造业时空数据投入构建的无监督预测模型中进行迭代训练，得到迭代训练后的无监督预测模型为最优化的基于GCN-LSTM的预测模型；

S6、将要预测的未来时刻之前的相邻连续T个等间隔时刻的经过预处理后的制造业时空数据作为最优化的基于GCN-LSTM的预测模型的输入，获取该未来时刻的预测值，计算该未来时刻预测值与真实值之间的差值，对差值取绝对值；

S7、根据制造企业业务需求，重复K次步骤S6，得到数据条数为K的差值数据集，利用基于Copula的异常检测方法对差值数据集进行异常检测操作，得到实时异常检测结果。

2.根据权利要求1所述的一种基于制造企业数据空间的时空数据异常检测方法，其特征在于，所述制造业时空数据是指制造企业设计、制造、管理、服务四大业务中携带拓扑结构信息的多维度时间序列数据，拓扑结构信息用于映射多个制造机器设备之间的工作关联程度，多维度时间序列用于映射多个制造机器设备联动工作时在等间隔时刻内的机器设备指标信息情况。

3.根据权利要求1所述的一种基于制造企业数据空间的时空数据异常检测方法，其特征在于，在步骤S1中，所述制造业时空数据记录到基于Python编程语言进行数据处理操作的软件Pycharm中。

4.根据权利要求1所述的一种基于制造企业数据空间的时空数据异常检测方法，其特征在于，所述步骤S2包括：

S21、信息缺失制造业时空数据的清洗，用于清洗缺失范围，缺失关键制造业时空数据字段的数据；

S22、内容错误矛盾制造业时空数据的清洗，用于保证制造业时空数据正确性；

S23、逻辑错误制造业时空数据的清洗，用于保证制造业时空数据逻辑正确；

S24、不必要制造业时空数据的清洗，用于保证制造业时空数据的相关性；

S25、重复制造业时空数据的清洗，用于避免制造业时空数据的冗余。

5.根据权利要求1所述的一种基于制造企业数据空间的时空数据异常检测方法，其特征在于，所述步骤S3包括：

S31、针对时空数据的多维度时间序列部分，进行最大值max-最小值min归一化处理，将数据值大小转换到[0,1]区间，制造机器设备数量为N，机器设备指标数量为P，将时间长度为t的时空数据多维度时间序列集合记为Z＝{Z₁,Z₂,…,Z_t-1,Z_t}，Z_i(i＝1,2,…t-1,t)，为制造机器设备指标信息矩阵，其大小为N×P，经过最大值max-最小值min归一化处理后得到新的多维度时间序列集合X＝{X₁，X₂，…，X_t-1，X_t}，变换公式如下所示；

其中，min(Z_i)表示矩阵Z_i中的最小值，max(Z_i)表示矩阵Z_i中的最大值，X＝{X₁，X₂，…，X_t-1，X_t}表示经过最大值max-最小值min归一化处理后的时间长度为t的制造机器设备指标信息时序数据集合；

S32、针对时空数据的拓扑结构信息部分，计算出邻接矩阵A，用以表示制造机器设备间联动工作的关系，计算规则为：制造机器设备数量为N，邻接矩阵看作由N个列向量组成，而每个列向量按照制造机器设备编号的顺序代表着当前制造机器设备与包含自身在内的所有制造机器设备的联动工作关系，若有关联则记为1，反之记为0，与自身的关联亦记为0，从而形成大小为N×N的邻接矩阵A。