一种异常检测可信度评估方法及系统与流程

本技术涉及智能检测领域，尤其是一种异常检测可信度评估方法及系统。

背景技术：

1、随着人工智能技术的持续演进，基于深度学习的异常检测方法已在工业制造、设备运维、智能安防等关键领域获得规模化应用。现有技术中普遍借助深度神经网络，从正常或异常样本中提取高维数据特征，并通过度量待检测样本与既定正常分布之间的偏离程度，来完成异常状态的识别与判定。

2、然而，当前多数异常检测系统仍止步于输出“是否异常”的二元结论，缺乏对检测结果可信度的系统化评估机制。这一短板在模型失效或数据分布漂移等情形下尤为突出——系统既无法感知自身判断的可靠性，也难以触发预警或复核，导致异常检测的准确性降低。

技术实现思路

1、为了评估异常检测结果的可信度，本技术提供一种异常检测可信度评估方法、系统、设备及存储介质。

2、第一方面，本技术提供一种异常检测可信度评估方法，采用如下的技术方案：

3、接收待检测数据，计算所述待检测数据的信噪比作为数据质量指标；

4、利用所述异常检测模型检测所述待检测数据得到本次检测结果，所述本次检测结果包括异常评分和所述异常检测模型中若干网络层级分别输出的异常响应值；

5、根据若干所述异常响应值计算多层特征一致性指标；

6、扰动处理所述待检测数据得到若干扰动数据，将若干所述扰动数据输入到异常检测模型进行检测得到若干扰动检测结果，根据所述检测结果和若干所述扰动检测结果计算稳定性指标；

7、获取历史异常检测结果，综合所述本次检测结果和所述历史异常检测结果得到检测结果集，利用所述检测结果集计算历史一致性指标；

8、加权融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标得到可信度评分，以评估所述检测结果的可信度。

9、通过上述技术方案，本技术从数据质量、模型内部特征一致性、抗扰动稳定性、时序历史规律四个不同维度全面评估检测结果的可靠程度，将原本单一的“异常/正常”二元输出扩展为带有可信度评分的分级输出，为后续的决策分级、人工复核预警和模型状态监控提供了量化依据，显著提升了异常检测系统在真实工业环境中的可靠性和决策安全性。

10、在一个具体的可实施方案中，所述根据若干所述异常响应值计算多层特征一致性指标包括：

11、解析所述异常检测模型得到所述异常检测模型中若干网络层级的层级特征；

12、调取异常检测特征要求，根据若干所述层级特征和所述异常检测特征要求确定若干网络层级在一致性评估中的权重配比；

13、根据所述权重配比通过分析若干所述异常响应值的方差和标准差得到多层特征一致性指标。

14、通过上述技术方案，本技术实现了层级权重的任务自适应配置，使多层特征一致性指标能够根据不同的异常检测任务动态调整对各网络层级的关注程度——方差和标准差越小表明各层级对异常的判断越一致，权重配比则确保关键层级的一致性偏差被适当放大，从而提升了该指标在不同应用场景下的表征精度和泛化能力。

15、在一个具体的可实施方案中，所述扰动处理所述待检测数据得到若干扰动数据包括：

16、查询所述异常检测模型针对若干扰动方式的敏感程度，所述扰动方式包括图像亮度变化、噪声添加、几何变换和特征扰动；

17、根据所述敏感程度制定若干扰动策略，所述扰动策略包括扰动强度、扰动类型和扰动数量；

18、根据若干所述扰动策略扰动处理所述待检测数据得到若干扰动数据。

19、通过上述技术方案，本技术实现了扰动策略的自适应制定——对敏感扰动方式施加较小强度即可产生有效扰动，对非敏感扰动方式则施加较大强度以充分测试模型稳定性，避免了统一扰动策略带来的“欠扰动”或“过扰动”问题，使得后续计算的稳定性指标更加准确地反映了模型在真实环境中面对各种数据变化时的实际表现。

20、在一个具体的可实施方案中，所述根据所述检测结果和若干所述扰动检测结果计算稳定性指标包括：

21、集合所述检测结果和若干所述扰动检测结果为检测结果集合；

22、根据所述检测结果集合计算稳定性指标，所述稳定性指标的计算公式为：

23、；

24、其中，为稳定性指标，p为检测结果集合，为所有检测结果的平均值，为所有检测结果的标准差，为防止分母为0的极小常数。

25、通过上述技术方案，本技术利用标准差与均值的比值（变异系数的思想）消除了不同检测结果绝对值量纲的影响，使得稳定性指标成为一个无量纲的相对度量，能够在不同量级的异常评分之间进行公平比较——比值越小说明各扰动下检测结果越集中、模型稳定性越高，反之则说明检测结果波动剧烈、稳定性差，从而为稳定性评估提供了客观、可量化且具有跨任务可比性的数学工具。

26、在一个具体的可实施方案中，所述利用所述检测结果集计算历史一致性指标包括：

27、对所述检测结果集按时间顺序赋予时间衰减权重；

28、根据所述检测结果集计算历史一致性指标，所述历史一致性指标的计算公式为：

29、；

30、其中，为历史一致性指标，n为检测结果的次数，为第i次检测结果，为第i+1次检测结果，i()为指示函数。

31、通过上述技术方案，本技术通过时间衰减加权机制使历史一致性指标更加侧重于近期检测结果所反映的模型行为模式，有效降低了陈旧历史数据对当前可信度评估的干扰，使得该指标能够灵敏地捕捉模型性能的渐进式衰退或数据分布的缓慢漂移，为后续的设备维护预警和模型更新决策提供了更加及时和准确的依据。

32、在一个具体的可实施方案中，所述加权融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标得到可信度评分包括：

33、根据预设的指标权重配比融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标评估异常检测可信度得到可信度评分并保存，可信度评分的计算公式为：

34、;

35、其中，、、、为预设的指标权重配比，均为非负数且总和为 1；为数据质量指标，为多层特征一致性指标，为稳定性指标，为历史一致性指标。

36、通过上述技术方案，本技术将四个维度指标合成为一个直观的数值化可信度评分，实现了多维信息的高效整合与降维输出，使得后续决策环节可直接基于该评分进行自动化逻辑判断（如阈值比较、趋势监控等），同时权重配比的可预设性使得该融合框架能够根据不同应用场景的安全需求灵活调整各指标的优先级——例如在强噪声环境下提高数据质量指标的权重，在模型部署初期提高稳定性指标的权重，从而兼顾了方案通用性和场景可定制性。

37、在一个具体的可实施方案中，在所述根据预设的指标权重配比融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标评估异常检测可信度得到可信度评分并保存之后，还包括：

38、根据预设划分标准分析所述可信度评分；

39、如果所述可信度评分在所述预设划分标准中的第一可信范围内，则判定所述检测结果可信，输出所述检测结果；

40、如果所述可信度评分在所述预设划分标准中的第二可信范围内，则判定所述检测结果不可信，利用所述异常检测模型检测重新检测所述待检测数据；

41、如果所述可信度评分在所述预设划分标准中的第三可信范围内，则判定所述检测结果不可信，输出人工复核通知。

42、通过上述技术方案，本技术实现了基于可信度评分的分级决策机制——对于高可信度检测结果直接采用以保障效率，对于中等可信度结果通过重新检测来尝试修正以降低误报率，对于低可信度结果直接转交人工复核以确保安全，通过差异化的分级处置在自动化效率和人工兜底安全之间取得了合理的平衡，同时避免了在低可信度情况下盲目输出错误检测结果所带来的决策风险。

43、在一个具体的可实施方案中，在所述根据预设的指标权重配比融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标评估异常检测可信度得到可信度评分之后，还包括：

44、获取若干历史可信度评分，基于若干所述历史可信度评分和所述可信度评分分析得到可信度评分的时间变化趋势；

45、当所述时间变化趋势在预设时间内持续下降时，则发出设备维护通知。

46、通过上述技术方案，本技术将可信度评分从单次判据拓展为时序监控指标，使系统具备了基于可信度退化趋势的预测性维护能力——可信度评分的持续下降可作为设备异常或模型失效的早期预警信号，在系统完全失效前触发维护动作，从而将事后补救转变为事前预防，显著降低了因异常检测系统自身故障导致的漏检和误报风险，提升了整个检测系统的运行可靠性和维护及时性。

47、在一个具体的可实施方案中，在所述根据预设的指标权重配比融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标评估异常检测可信度得到可信度评分之后，还包括：

48、获取所述检测结果的真实标注信息，根据所述真实标注信息与所述检测结果的比对结果，计算所述可信度评分的预测偏差；

49、当所述预测偏差超过预设偏差阈值时，根据所述预测偏差更新指标权重配比并保存。

50、通过上述技术方案，本技术引入了基于真实反馈的在线权重自学习机制，使权重配比能够根据实际检测表现进行闭环优化调整——当可信度评分持续高估或低估检测结果的实际可信程度时，系统能够自动识别偏差并校正各指标的融合权重，从而使可信度评估模型在实际部署后能够随环境变化持续自我演进，保持了融合框架在不同阶段、不同场景下的长期适用性和评估准确性。

51、第二方面，本技术提供一种异常检测可信度评估系统，所述系统基于异常检测模型，采用如下技术方案：所述系统包括：

52、数据接收模块，用于接收待检测数据，计算所述待检测数据的信噪比作为数据质量指标；

53、检测结果模块，用于利用所述异常检测模型检测所述待检测数据得到本次检测结果，所述本次检测结果包括异常评分和所述异常检测模型中若干网络层级分别输出的异常响应值；

54、特征一致性计算模块，用于根据若干所述异常响应值计算多层特征一致性指标；

55、稳定性计算模块，用于扰动处理所述待检测数据得到若干扰动数据，将若干所述扰动数据输入到异常检测模型进行检测得到若干扰动检测结果，根据所述检测结果和若干所述扰动检测结果计算稳定性指标；

56、历史一致性计算模块，用于获取历史异常检测结果，综合所述本次检测结果和所述历史异常检测结果得到检测结果集，利用所述检测结果集计算历史一致性指标；

57、评估可信度模块，用于加权融合所述数据质量指标、所述多层特征一致性指标、所述稳定性指标、所述历史一致性指标得到可信度评分，以评估所述检测结果的可信度。

58、综上所述，本技术具有以下有益技术效果：

59、本技术从数据质量、模型内部特征一致性、抗扰动稳定性、时序历史规律四个不同维度全面评估检测结果的可靠程度，将原本单一的“异常/正常”二元输出扩展为带有可信度评分的分级输出，为后续的决策分级、人工复核预警和模型状态监控提供了量化依据，显著提升了异常检测系统在真实工业环境中的可靠性和决策安全性。