买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法，包括以下步骤：1样本划分和标准化：采用滑动窗口将原始工业系统数据划分为样本；2异常检测模型构建：采用图注意力网络和LSTM自动编码机构建异常检测模型；3实时异常检测：基于重构误差计算异常程度分数，在此基础上进行异常状态判定。本发明采用自动编码机、以无监督的方式训练异常检测模型，无需提供异常标注样本；采用图注意力网络挖掘工业系统不同维度之间的关联，提升在复杂工业系统中的异常检测准确率。

主权项：1.一种基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法，其特征在于，所述方法包括以下步骤：1样本划分和标准化：采用滑动窗口将原始工业系统数据划分为样本；2异常检测模型构建：采用图注意力网络和LSTM自动编码机构建异常检测模型；3实时异常检测：基于重构误差计算异常程度分数，在此基础上进行异常状态判定；所述步骤1中，给定原始多维时序的工业系统数据其中，T是数据容量，F是数据维度，样本划分和标准化的步骤如下：1-1样本划分：基于宽度为W、步长为S的滑动窗口将X划分成由多个样本组成的样本集XS，其中，划分后样本的个数为N，每个样本1-2标准化：基于Z-Score方法对数据进行标准化操作，使得每个窗口中每个维度上的数据的均值为0、标准差为1；所述步骤2中，异常检测模型构建的步骤如下：2-1关联图构建：将每个样本x转化为关联图的形式Gx＝V,E,A，其中，V、E、A分别为节点集合、边集合、属性集合，描述如下：首先，V中每个节点vi代表样本数据的一个维度，一个维度对应工业系统中的一个监测设备；其次，E中每条边eij代表节点vi和vj之间存在关联，为每一对节点都设置一条边，即Gx是一个全连接图；再次，A中每个元素ai为vi所指示的维度上的样本数据向量，代表vi的属性；2-2模型构建：异常检测模型为一个深度神经网络，包含交互层、编码层、解码层和重构层；2-3模型训练：为实现无监督的模型训练，将解码器产生的重构样本y和原始样本x之间的均方误差作为模型的损失函数，在此基础上采用梯度下降方式对模型进行优化训练；所述交互层使用图注意力网络来处理模型的输入，交互层的输入为步骤2-1中得到的关联图形式的样本Gx，处理步骤为：step1对于Gx中任意一条边eij设置一个可学习的权重wij，其计算方法如式1所示，其中，q为可学习的参数向量，σ为一个非线性激活函数，⊕用于拼接多个向量，L为vi的邻居节点个数；step2针对每个节点vi，计算其与所有邻居节点的加权平均向量作为vi的表征向量gi，如式3所示；step3将所有节点的表征向量拼接为一个矩阵作为交互层的输出，其中z的行是节点表征向量的维度，列是节点的个数； 所述编码层使用LSTM网络处理连续N个样本的交互层输出z1、z2、…、zN，处理过程如式4所示，即当前隐状态矩阵ht由其前一个隐状态矩阵ht-1和当前输入状态矩阵zt共同生成；ht＝LSTMht-1,zt4所述解码层使用LSTM网络处理编码层的输出h1、h2、…、hN，处理策略与编码层一致，输出特征矩阵序列r1、r2、…、rN；所述重构层使用神经元数量为F的全联接层处理解码层的输出r1、r2、…、rN，得到与原始样本的维度一致的重构样本

全文数据：

权利要求：

百度查询： 浙江工业大学 基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法