一种基于逐通道评分的多元传感器时间序列异常检测方法
本技术属于工业物联网与智能运维,更具体地,涉及一种基于逐通道评分的多元传感器时间序列异常检测方法。
背景技术:
1、多元时间序列异常检测(mtsad)是工业关键基础设施运行监控的核心技术:航天器遥测阵列需要同时监控数百个传感器通道,智能电网pmu实时采集电压、电流、频率等数百个数据流,工业控制系统依赖多传感器读数进行故障诊断。在这些场景中,异常具有天然的跨通道稀疏性:航天器姿态控制异常可能仅扰动250个遥测通道中的2~3个;针对智能电网的信息物理攻击可能仅改变330个相量测量单元数据流中的1~2个,其余99%以上的通道仅承载正常运行的变化。
2、目前主流的深度异常检测方法——包括基于lstm的自编码器(lstm-ae)、基于transformer的自编码器(tranad)、以及基于对抗训练的双自编码器(usad)——均遵循全局聚合评分范式:将各通道的逐通道重构误差通过均方误差(mse)聚合为单一全局标量得分,然后基于该全局得分进行阈值判定。
3、然而,上述全局聚合评分范式存在以下缺陷:当k个异常通道的重构误差与个正常通道的重构噪声被平均为一个标量时,异常信号被稀释,当传感器数量d增大而异常通道数k固定时,检测能力退化至随机猜测水平;同时,高维传感器阵列中不同通道的正常重构误差分布差异可达数个数量级,一个对所有通道一视同仁的全局阈值无法同时校准所有通道,部分通道将持续产生假阳性,而另一些通道的异常则被掩盖。上述缺陷均源于全局聚合评分范式在信息论层面的根本性障碍,导致高维稀疏传感器场景下的检测性能严重受限。
4、因此,如何提高高维稀疏传感器场景下的异常检测性能,是当前亟需解决的问题。
技术实现思路
1、针对现有技术的缺陷,本技术的目的在于提供一种基于逐通道评分的多元传感器时间序列异常检测方法,能提高高维稀疏传感器场景下的异常检测性能。
2、为实现上述目的,第一方面,本技术提供了一种基于逐通道评分的多元传感器时间序列异常检测方法,包括如下步骤:
3、s10,获取训练阶段多元传感器时间序列数据和检测阶段多元传感器时间序列数据,分别通过滑动窗口构建包含l个时间步和d个传感器通道的训练输入窗口和待检测输入窗口;
4、s20,通过权值共享的自编码器对所述训练输入窗口的每个传感器通道独立进行编码和重构,得到各通道的重构序列,并计算每个通道j的训练逐通道重构误差;
5、s30,基于所述训练输入窗口各通道的训练逐通道重构误差分布,为每个传感器通道j独立计算该通道的异常判定阈值,所述阈值为该通道训练逐通道重构误差分布的分位数,其中为预设的逐通道假阳性率参数;
6、s40,通过所述自编码器对所述待检测输入窗口的每个传感器通道独立进行编码和重构,计算每个通道j的待检测逐通道重构误差,采用any投票规则,分别比较各通道的待检测逐通道重构误差与各自对应的异常判定阈值,若存在任一通道j的待检测逐通道重构误差超过该通道对应的异常判定阈值,则判定该待检测输入窗口为异常窗口;
7、s50,输出所述待检测输入窗口的异常检测结果。
8、作为进一步优选的,所述自编码器为双流自编码器,所述双流自编码器包括并行的时域编码分支、并行的频域编码分支和可学习的门控融合模块;所述时域编码分支采用基于transformer的多头自注意力编码器,对每个通道独立建模时序依赖关系,输出时域隐藏表示;所述频域编码分支对每个通道独立进行快速傅里叶变换提取幅度谱,通过多层感知机编码,输出频域隐藏表示;所述可学习的门控融合模块将时域隐藏表示和频域隐藏表示通过门控机制自适应组合为融合潜在表示。
9、作为进一步优选的,所述时域编码分支对所述训练输入窗口或所述待检测输入窗口进行处理的具体步骤为:对输入窗口进行线性投影,得到投影后序列,计算公式为,其中,为线性投影矩阵,,h为隐藏维度;将投影后序列输入transformer编码器,经m层transformer编码和k个注意力头处理后,输出时域隐藏表示,计算公式为= transformerencoder(),其中;对时域隐藏表示进行时序平均池化,得到序列级时域隐藏表示,计算公式为= meanpool(),其中。
10、作为进一步优选的,所述频域编码分支对所述训练输入窗口或所述待检测输入窗口进行处理的具体步骤为:对输入窗口的每个通道j进行快速傅里叶变换,得到频域表示,计算公式为= fft(),其中为第j个通道的时间序列,;提取每个通道的幅度谱并进行拼接,得到幅度谱矩阵,计算公式为,其中为取模运算,;将幅度谱矩阵展平后输入多层感知机进行编码,得到频域隐藏表示,计算公式为,其中。
11、作为进一步优选的,所述门控融合模块对时域隐藏表示和频域隐藏表示进行融合的具体步骤为:将和拼接后通过可学习参数计算门控权重和,计算公式为[,] =,其中和为可学习参数,;根据所述门控权重对和进行加权组合,得到融合潜在表示z,计算公式为,其中。
12、作为进一步优选的,所述门控融合模块采用带熵正则化的硬门控机制:使用sigmoid激活函数计算独立的分支权重和,两权重均处于0到1之间且不要求之和为1;在训练损失函数中加入熵正则化项,计算公式为;训练过程中以30%的概率随机抑制时域编码分支或频域编码分支中的一个分支。
13、作为进一步优选的,步骤s40中,判定所述待检测输入窗口为异常窗口后,计算该待检测输入窗口的异常得分s,所述异常得分定义为归一化逐通道最大偏差s,计算公式为s=(/),其中为通道的待检测逐通道重构误差,为通道j的异常判定阈值。
14、作为进一步优选的,还包括自适应策略选择步骤:根据传感器通道数量d和周期性强度ρ,自动确定融合策略和评分策略,所述周期性强度ρ通过快速傅里叶变换峰值比计算,计算公式为,其中为幅度谱峰值频率处的频谱值,f(ω)为频率ω处的频谱值;当d≤20且ρ>0.3时,选择softmax门控融合;当d≤20且ρ≤0.3时,选择带熵正则化的硬门控融合;当d>20时,选择带熵正则化的硬门控融合;当d>50时,选择逐通道评分策略,所述逐通道评分策略采用逐通道独立阈值和any投票规则进行判定;当d≤50时,选择全局评分策略,所述全局评分策略为将所有通道的重构误差聚合为单一全局标量得分并基于全局阈值进行判定。
15、作为进一步优选的,还包括两级联检测步骤:阶段一中,在自编码器提取的所有训练输入窗口和待检测输入窗口的融合潜在表示上训练孤立森林,构建t棵随机划分树的集成,基于异常得分进行无监督异常筛选,将输入窗口分为正常窗口和疑似异常窗口两类,将被筛选为正常窗口的样本权重设置为0;阶段二中,仅对阶段一筛选出的疑似异常窗口,通过代价敏感随机森林进行故障类型分类,对稀有故障类别施加权重放大因子γ,γ大于1。
16、第二方面,本技术提供了一种基于逐通道评分的多元传感器时间序列异常检测系统,采用上述中任一项所述的基于逐通道评分的多元传感器时间序列异常检测方法,包括:
17、数据预处理模块,用于获取训练阶段多元传感器时间序列数据和检测阶段多元传感器时间序列数据,分别通过滑动窗口构建训练输入窗口和待检测输入窗口;
18、逐通道自编码器模块,包含权值共享的编码器和解码器,用于对每个传感器通道独立进行编码和重构;
19、逐通道阈值标定模块,用于基于训练输入窗口各通道的训练逐通道重构误差分布独立计算各通道的异常判定阈值;
20、逐通道判定检测模块,用于执行any投票规则,若待检测输入窗口的任一通道的待检测逐通道重构误差超过该通道对应的异常判定阈值,则判定该待检测输入窗口为异常窗口;
21、结果输出模块,用于输出待检测输入窗口的异常检测结果。
22、本技术的有益效果如下:
23、(1)通过逐通道独立编码与重构、基于各通道训练重构误差分布独立标定阈值、以及any投票规则,将高维检验问题分解为多个独立的标量检验,从源头避免了跨通道异常信号稀释,从而在异常仅影响极少数通道的高维稀疏传感器场景下提高了异常检测性能;
24、(2)基于逐通道的独立阈值判定使得每个通道的阈值仅适配其自身的误差分布,不受其他通道分布偏移的干扰,从而对数据分布偏移具有固有鲁棒性;
25、(3)通过根据传感器通道数量和周期性强度自动选择融合策略和评分策略,消除了针对不同数据集进行手工调参的需求;
26、(4)通过逐通道评分直接提供各通道对异常检测的贡献度排序,实现了异常通道的快速定位;
27、(5)逐通道评分机制与具体编码器架构解耦,能够作为即插即用的评分模块集成到不同编码器架构中。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com