一种基于边缘计算的传感器数据异常检测方法和系统与流程
本发明涉及传感器数据处理，尤其涉及一种基于边缘计算的传感器数据异常检测方法和系统。
背景技术：
1、在传感器数据处理技术领域，生产设备运行监测通常利用现场传感器连续采集温度、压力、振动和位移数据，结合设备控制过程中产生的动作信号判断运行状态。现有方法一般按照采样时间排列数据，采用固定时间窗口或设备运行记录划分待分析数据，再通过阈值判断、统计特征比较或数据驱动模型识别异常。
2、为降低远程传输造成的延迟，部分生产现场将数据整理和异常分析任务部署在靠近设备的计算装置中，将检测结果传输至监控终端。现有现场检测方法通常按照统一的数据处理流程分析各类传感器数据，采用完整采样数据生成设备运行特征，再根据运行特征与正常状态之间的差异形成判断结果。
3、现有方法按照固定时间范围处理数据时，难以准确对应设备动作与传感器响应，容易将正常运行产生的时间偏移计入异常特征。按照单次运行记录独立分析时，数据切分位置附近的状态变化还会影响检测结果。现有深度检测方法处理全部采样数据时，对现场计算资源占用较高；在异常样本数量较少的情况下，模型对正常运行状态的描述容易受到数据波动影响，导致不同运行批次的判断结果缺乏稳定性。
4、因此，如何提供一种基于边缘计算的传感器数据异常检测方法和系统是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于边缘计算的传感器数据异常检测方法和系统，本发明利用动作信号完成传感器数据的周期对齐与跨周期处理，根据正常跨周期数据矩阵生成固定取样位置表，根据固定取样位置表确定改进型deep svdd各层共用的卷积活动坐标，具备检测准确性高、计算量低和现场响应速度快的优点。
2、根据本发明实施例的一种基于边缘计算的传感器数据异常检测方法，包括如下步骤：
3、边缘计算节点同步采样生产设备的动作信号与传感器数据，为每次采样标记时间位置；
4、从动作信号中识别加工周期起始信号，将加工周期起始信号的时间位置作为加工周期边界，将动作信号的时间位置标记为设备动作位置，按照加工周期边界切分传感器数据，以设备动作位置为重采样坐标生成周期数据矩阵；
5、将前一加工周期的周期数据矩阵拼接至当前加工周期的周期数据矩阵首端，生成跨周期数据矩阵；
6、针对每个传感器，将正常跨周期数据矩阵中与加工周期边界相隔相同矩阵行数且分别位于加工周期边界前后的数据位置组成位置对，筛选数据变化方向在全部正常跨周期数据矩阵中相同的位置对，生成固定取样位置表；
7、构建改进型deep svdd，根据固定取样位置表确定编码器各层共用的卷积活动坐标，在卷积活动坐标执行稀疏一维卷积，利用正常跨周期数据矩阵训练改进型deep svdd，生成正常特征中心与检测半径；
8、将待检测跨周期数据矩阵输入完成训练的改进型deep svdd，计算编码结果至正常特征中心的检测距离，比较检测距离与检测半径，检测距离超出检测半径时，将当前加工周期标记为异常加工周期；
9、边缘计算节点将异常加工周期与检测距离组成异常记录，输出异常记录。
10、可选的，所述边缘计算节点同步采样包括如下步骤：
11、边缘计算节点按照统一采样频率划分采样时段，按照采样时段的先后顺序配置具有连续编号的时间位置；
12、在每个采样时段内同步采样动作信号与传感器数据，记录采样时刻；
13、将采样时刻落入同一采样时段的动作信号与传感器数据配置于相同时间位置，按照时间位置排列动作信号与传感器数据。
14、可选的，所述周期数据矩阵的生成包括如下步骤：
15、检测动作信号的状态切换，将待机状态切换至首个加工动作的状态切换信号识别为加工周期起始信号；
16、将加工周期起始信号的时间位置作为加工周期边界，按照加工周期边界切分传感器数据，生成周期传感器数据；
17、将每个加工周期内的动作信号状态切换位置标记为设备动作位置，以相邻设备动作位置划分周期传感器数据，生成重采样区段；
18、在每个重采样区段内配置统一数量的重采样位置，通过线性插值计算各重采样位置的传感器数据，按照设备动作位置排列计算结果，生成周期数据矩阵。
19、可选的，所述跨周期数据矩阵的生成包括如下步骤：
20、按照加工周期边界的先后顺序排列周期数据矩阵；
21、将当前加工周期的首行作为边界行，为边界行配置零值位置编号，按照矩阵行至边界行的间隔，为前一加工周期的矩阵行配置递减的负向位置编号，为当前加工周期中位于边界行之后的矩阵行配置递增的正向位置编号；
22、按照传感器通道顺序对齐前一加工周期与当前加工周期的矩阵列，按照位置编号由小至大的顺序排列对应矩阵行；
23、以位置编号作为矩阵行坐标，将零值位置编号对应的矩阵行作为加工周期边界对应的矩阵行，生成跨周期数据矩阵。
24、可选的，所述固定取样位置表的生成包括如下步骤：
25、针对每个传感器，将与加工周期边界相隔相同矩阵行数且分别位于加工周期边界前后的数据位置组成位置对；
26、按照负向位置编号指向正向位置编号的顺序比较每个位置对中的传感器数据，标记增加、减少、不变的数据变化方向；
27、比较同一位置对在全部正常跨周期数据矩阵中的数据变化方向，选取数据变化方向相同的位置对；
28、将选取的位置对对应的传感器通道标识与位置编号按照距加工周期边界由近至远的顺序编入固定取样位置表。
29、可选的，所述稀疏一维卷积包括如下步骤：
30、按照传感器通道标识划分固定取样位置表中的位置编号，按照位置编号的排列顺序生成卷积活动坐标；
31、将卷积活动坐标与跨周期数据矩阵的矩阵行坐标及传感器通道标识进行匹配，取得对应传感器数据，生成稀疏特征；
32、将卷积核中心依次移动至卷积活动坐标，仅对卷积活动坐标对应的稀疏特征执行卷积，未匹配卷积活动坐标的数据位置不生成卷积输出；
33、保持各层稀疏一维卷积的卷积活动坐标不变，按照卷积活动坐标排列末层卷积输出，将排列结果输入编码器输出层，生成编码结果。
34、可选的，所述训练改进型deep svdd包括如下步骤：
35、将正常跨周期数据矩阵输入改进型deep svdd，按照特征维度排列编码结果中的特征值，以各特征维度的中位特征值组成正常特征中心；
36、以缩短编码结果至正常特征中心的检测距离为训练目标更新编码器参数，保留平均检测距离较小训练轮次对应的编码器参数；
37、采用保留的编码器参数重新计算各正常跨周期数据矩阵的检测距离，按照数值由小至大的顺序排列检测距离；
38、从中位检测距离开始，按照排列顺序逐项比较后一检测距离相对于前一检测距离的增加幅度，将增加幅度最大的一组中排列在前的检测距离作为检测半径。
39、可选的，所述标记异常加工周期包括如下步骤：
40、将待检测跨周期数据矩阵输入完成训练的改进型deep svdd，按照固定取样位置表中的传感器通道标识与位置编号生成卷积活动坐标；
41、编码器各层在共用的卷积活动坐标处执行稀疏一维卷积，将末层卷积输出输入编码器输出层，生成编码结果；
42、计算编码结果至正常特征中心的欧氏距离，将欧氏距离作为检测距离；
43、检测距离超出检测半径时，将当前加工周期标记为异常加工周期。
44、可选的，所述输出异常记录包括如下步骤：
45、取得异常加工周期对应的加工周期边界与检测距离；
46、按照加工周期边界、检测距离的顺序，将加工周期边界与检测距离转换为连续字节序列；
47、根据连续字节序列生成循环冗余校验码，将循环冗余校验码配置于连续字节序列末端；
48、将完成循环冗余校验码配置的连续字节序列作为异常记录，边缘计算节点按照加工周期边界的先后顺序输出异常记录。
49、根据本发明实施例的一种基于边缘计算的传感器数据异常检测系统，包括如下模块：
50、同步采样模块，用于边缘计算节点同步采样生产设备的动作信号与传感器数据，为每次采样标记时间位置；
51、周期重采样模块，用于从动作信号中识别加工周期起始信号，将加工周期起始信号的时间位置作为加工周期边界，将动作信号的时间位置标记为设备动作位置，按照加工周期边界切分传感器数据，以设备动作位置为重采样坐标生成周期数据矩阵；
52、跨周期矩阵模块，用于将前一加工周期的周期数据矩阵拼接至当前加工周期的周期数据矩阵首端，生成跨周期数据矩阵；
53、固定取样位置模块，用于针对每个传感器，将正常跨周期数据矩阵中与加工周期边界相隔相同矩阵行数且分别位于加工周期边界前后的数据位置组成位置对，筛选数据变化方向在全部正常跨周期数据矩阵中相同的位置对，生成固定取样位置表；
54、稀疏deep svdd模块，用于构建改进型deep svdd，根据固定取样位置表确定编码器各层共用的卷积活动坐标，在卷积活动坐标执行稀疏一维卷积，利用正常跨周期数据矩阵训练改进型deep svdd，生成正常特征中心与检测半径；
55、异常判别模块，用于将待检测跨周期数据矩阵输入完成训练的改进型deep svdd，计算编码结果至正常特征中心的检测距离，比较检测距离与检测半径，检测距离超出检测半径时，将当前加工周期标记为异常加工周期；
56、边缘记录模块，用于边缘计算节点将异常加工周期与检测距离组成异常记录，输出异常记录。
57、本发明的有益效果是：
58、（1）本发明以生产设备的动作信号划分加工周期，按照设备动作位置对传感器数据进行重采样，能够减少运行速度、加工负载及控制延迟造成的数据位置偏移，提高不同加工周期数据的可比性。
59、（2）本发明利用加工周期边界前后对应位置在正常状态下的稳定变化规律确定各层共用的卷积活动坐标，能够保留跨周期状态变化特征，减少无效卷积运算与中间特征存储，降低边缘计算节点的计算量和内存占用。
60、（3）本发明采用改进型deep svdd建立正常特征中心与检测半径，根据编码结果的检测距离识别异常加工周期，能够降低正常数据波动对检测结果的影响，提高异常检测的准确性与现场响应效率。