单传感器异常检测方法、装置、计算机设备及存储介质与流程

1.本发明涉及传感器，更具体地说是指单传感器异常检测方法、装置、计算机设备及存储介质。


背景技术：

2.ae(自编码解码器，auto-encode)做异常检测的主要原理是利用重构误差，设置相应误差阈值来进行异常检测。
3.但是在无监督的情况下，ae没有异常样本用来学习，而算法的基本上假设是异常点服从不同的分布。根据正常数据训练出来的自动编码器，能够将正常样本重建还原，原始问题是单时间序列的预测问题，对于ae来说特征表达能力不够，无法将异于正常分布的数据点较好地还原，即基于ae的重构损失导致还原误差较大。
4.因此，有必要设计一种方法，实现增强特征表达能力，提高异常预测准确率，且降低还原误差率。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提供单传感器异常检测方法、装置、计算机设备及存储介质。
6.为实现上述目的，本发明采用以下技术方案：单传感器异常检测方法，包括：
7.获取传感器的测量值，以得到待检测数据；
8.将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果；
9.输出所述检测结果；
10.其中，所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的。
11.其进一步技术方案为：所述mcnn网络包括依序连接的输入层、转换层、卷积池化层、拼接层、反卷积池化层、全连接层以及输出层。
12.其进一步技术方案为：所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的，包括：
13.获取若干个有异常分数标签的传感器检测值，以得到样本集；
14.构建mcnn网络；
15.利用所述样本集对所述mcnn网络进行训练，以得到训练结果；
16.计算所述训练结果与异常分数标签的损失值；
17.判断所述损失值是否趋于平稳；
18.若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；
19.若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
20.其进一步技术方案为：所述利用所述样本集对所述mcnn网络进行训练，以得到训
练结果，包括：
21.利用转换层对所述样本集提取原始数据以及多频率数据，并对所述样本集进行下采样，且采用vmd提取分解特征，以得到转换数据；
22.将所述转换数据经过卷积池化层进行卷积、池化，并由拼接层进行拼接，以得到处理结果；
23.对所述处理结果采用反卷积池化层进行反卷积，以得到反卷积结果；
24.对所述反卷积结果采用全连接层进行全连接处理，以得到训练结果。
25.其进一步技术方案为：所述计算所述训练结果与异常分数标签的损失值，包括：
26.采用mse损失函数计算所述训练结果与异常分数标签的损失值。
27.本发明还提供了单传感器异常检测装置，包括：
28.数据获取单元，用于获取传感器的测量值，以得到待检测数据；
29.异常分数计算单元，用于将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果；
30.输出单元，用于输出所述检测结果。
31.其进一步技术方案为：还包括模型生成单元，用于通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络，以得到异常检测模型。
32.其进一步技术方案为：所述模型生成单元包括：
33.样本集获取子单元，用于获取若干个有异常分数标签的传感器检测值，以得到样本集；
34.网络构建子单元，用于构建mcnn网络；训练子单元，用于利用所述样本集对所述mcnn网络进行训练，以得到训练结果；
35.计算子单元，用于计算所述训练结果与异常分数标签的损失值；
36.判断子单元，用于判断所述损失值是否趋于平稳；确定子单元，用于若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；
37.调整子单元，用于若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
38.本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
39.本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
40.本发明与现有技术相比的有益效果是：本发明通过获取待检测数据，将其输入至异常检测模型内进行异常分数计算，并将检测结果输出，且异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的，利用mcnn算法以增强特征表达能力，达到更好的预测效果，实现增强特征表达能力，提高异常预测准确率，且降低还原误差率。
41.下面结合附图和具体实施例对本发明作进一步描述。
附图说明
42.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的
附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明实施例提供的单传感器异常检测方法的应用场景示意图；
44.图2为本发明实施例提供的单传感器异常检测方法的流程示意图；
45.图3为本发明实施例提供的单传感器异常检测方法的子流程示意图；
46.图4为本发明实施例提供的单传感器异常检测方法的子流程示意图；
47.图5为本发明实施例提供的mcnn网络的示意图；
48.图6为本发明实施例提供的单传感器异常检测装置的示意性框图；
49.图7为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
52.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
53.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
54.请参阅图1和图2，图1为本发明实施例提供的单传感器异常检测方法的应用场景示意图。图2为本发明实施例提供的单传感器异常检测方法的示意性流程图。该单传感器异常检测方法应用于服务器中。该服务器与传感器和终端进行数据交互，获取传感器的待检测数据后，采用训练后的mcnn(多重卷积神经网络，multiple convolutional neural network)网络进行异常分数计算，并将检测结果输出至终端显示，mcnn网络的主要工作体现在特征提取部分，通过多尺度、多频率两种策略对原始只有一维的单时间序列数据进行特征提取，直至提取多维特征，然后通过卷积神经网络提取特征中的重要局部信息，再进行编码器重构。
55.图2是本发明实施例提供的单传感器异常检测方法的流程示意图。如图2所示，该方法包括以下步骤s110至s130。
56.s110、获取传感器的测量值，以得到待检测数据。
57.在本实施例中，待检测数据是指传感器的测量值。待检测数据即输入信号y＝[y1,y2,...,y
t
]，t代表时间戳，y
t
代表t时刻下的传感器的测量数值。
[0058]
s120、将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果。
[0059]
在本实施例中，检测结果是指待检测数据对应的异常分数。
[0060]
其中，所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的。
[0061]
在一实施例中，请参阅图3，所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的，可包括步骤s121～s127。
[0062]
s121、获取若干个有异常分数标签的传感器检测值，以得到样本集。
[0063]
在本实施例中，样本集是指若干个有异常分数标签的传感器检测值构成的数据集。
[0064]
s122、构建mcnn网络。
[0065]
在本实施例中，由于原始问题是单时间序列的预测问题，对于模型来说特征表达能力不够，所以在模型选择上采用mcnn算法以增强特征表达能力，达到更好的预测效果。
[0066]
具体地，如图5所示，所述mcnn网络包括依序连接的输入层、转换层、卷积池化层、拼接层、反卷积池化层、全连接层以及输出层。
[0067]
s123、利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
[0068]
在本实施例中，训练结果是指样本集经过mcnn网络预测所得的异常分数。
[0069]
具体地，训练结果s＝[s1,s2,...,s
t
]，t代表时间戳，s
t
代表t时刻与t-1时刻下的异常分数，也就是样本集内的某个数据属于异常值的概率。
[0070]
在一实施例中，请参阅图4，上述的步骤s123可包括步骤s1231～s1234。
[0071]
s1231、利用转换层对所述样本集提取原始数据以及多频率数据，并对所述样本集进行下采样，且采用vmd提取分解特征，以得到转换数据。
[0072]
在本实施例中，转换数据包括四部分内容：原始数据即样本集、多频率数据、下采样所得数据以及采用vmd对样本集进行分解所得的特征。
[0073]
s1232、将所述转换数据经过卷积池化层进行卷积、池化，并由拼接层进行拼接，以得到处理结果。
[0074]
在本实施例中，处理结果是指对转换数据进行卷积、池化并拼接所得的结果。
[0075]
转换阶段的输出进行分别卷积、池化并拼接，拼接之前的网络相当于ae中的编码层。
[0076]
s1233、对所述处理结果采用反卷积池化层进行反卷积，以得到反卷积结果。
[0077]
在本实施例中，反卷积结果是指对拼接后的数据再进行一次反卷积后得到的结果。
[0078]
s1234、对所述反卷积结果采用全连接层进行全连接处理，以得到训练结果。
[0079]
对拼接后的数据再进行一次反卷积并通过一层全连接层，这部分可以看做ae中的解码层，即可得到重构结果即异常分数。
[0080]
样本集在转换阶段，输入为y，提取了三部分数据，第一部分是初始数据，第二部分是多频率数据，指对样本集采用移动窗口的形式进行均值、标准差等统计特征，第三部分是对样本集进行下采样。在本实施例中，转换阶段，加入了vmd(变态模态分解，variational mode decomposition)作为转化阶段的第四部分特征，vmd是用来专门对信号进行分解，形成若干子序列以增强原始信号的表征能力。然后，转换阶段的输出进行分别卷积、池化并拼接，拼接之前的网络相当于ae中的编码层，对拼接后的数据再进行一次反卷积并通过一层全连接层，这部分可以看作ae中的解码层，即可得到重构结果
[0081]
s124、计算所述训练结果与异常分数标签的损失值。
[0082]
在本实施例中，损失值是指训练结果与异常分数标签的差异程度。
[0083]
具体地，采用mse损失函数计算所述训练结果与异常分数标签的损失值；因为是回归问题，所以在损失函数的选择上采用mse(均方误差，mean square error)作为优化目标，即
[0084]
s125、判断所述损失值是否趋于平稳；
[0085]
s126、若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；
[0086]
s127、若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述步骤s123。
[0087]
当损失值趋于平稳，即趋于不变时，则表明训练后的mcnn网络已经收敛，此时可用于作为异常检测模型，进行传感器监测的异常分数计算，既具备精度高和准确率高，也具备实时性高的效果；当损失值未趋于平稳，即并没有趋于不变时，则表明训练后的mcnn网络未收敛，需要再次调整参数，进行下一轮训练。
[0088]
另外，在训练过程中，采用60％的样本集作为训练数据，20％的样本集作为验证集，20％的样本集作为测试集。其中，训练数据主要用来求解模型参数，验证集用来选择最优超参(泛化能力、拟合能力)，测试集用来查看样本外数据的测试表现。
[0089]
该异常检测模型借鉴ae的思想，先用多尺度，多频率的策略提取数据特征，然后再用卷积、池化的操作，最后才是全连接层，做异常判断的原理是一样的，都是利用重构误差判断。
[0090]
s130、输出所述检测结果。
[0091]
在本实施例中，检测结果为异常分数，也就是输出各个待检测数据的异常分数，当然，还可以设定一个阈值，超过该阈值的异常分数对应的待检测数据则为异常值。
[0092]
上述的单传感器异常检测方法，通过获取待检测数据，将其输入至异常检测模型内进行异常分数计算，并将检测结果输出，且异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的，利用mcnn算法以增强特征表达能力，达到更好的预测效果，实现增强特征表达能力，提高异常预测准确率，且降低还原误差率。
[0093]
图6是本发明实施例提供的一种单传感器异常检测装置300的示意性框图。如图6所示，对应于以上单传感器异常检测方法，本发明还提供一种单传感器异常检测装置300。该单传感器异常检测装置300包括用于执行上述单传感器异常检测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图6，该单传感器异常检测装置300包括数据获取单元301、异常分数计算单元302以及输出单元303。
[0094]
数据获取单元301，用于获取传感器的测量值，以得到待检测数据；异常分数计算单元302，用于将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果；输出单元303，用于输出所述检测结果。
[0095]
在一实施例中，所述单传感器异常检测装置300还包括模型生成单元，用于通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络，以得到异常检测模型。
[0096]
在一实施例中，所述模型生成单元包括样本集获取子单元、网络构建子单元、训练子单元、计算子单元、判断子单元、确定子单元以及调整子单元。
[0097]
样本集获取子单元，用于获取若干个有异常分数标签的传感器检测值，以得到样
本集；网络构建子单元，用于构建mcnn网络；训练子单元，用于利用所述样本集对所述mcnn网络进行训练，以得到训练结果；计算子单元，用于计算所述训练结果与异常分数标签的损失值；判断子单元，用于判断所述损失值是否趋于平稳；确定子单元，用于若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；调整子单元，用于若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
[0098]
在一实施例中，所述训练子单元包括转换模块、处理模块、反卷积模块以及全连接模块。
[0099]
转换模块，用于利用转换层对所述样本集提取原始数据以及多频率数据，并对所述样本集进行下采样，且采用vmd提取分解特征，以得到转换数据；处理模块，用于将所述转换数据经过卷积池化层进行卷积、池化，并由拼接层进行拼接，以得到处理结果；反卷积模块，用于对所述处理结果采用反卷积池化层进行反卷积，以得到反卷积结果；全连接模块，用于对所述反卷积结果采用全连接层进行全连接处理，以得到训练结果。
[0100]
在一实施例中，所述计算子单元，用于采用mse损失函数计算所述训练结果与异常分数标签的损失值。
[0101]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述单传感器异常检测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0102]
上述单传感器异常检测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
[0103]
请参阅图7，图7是本技术实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0104]
参阅图7，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
[0105]
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种单传感器异常检测方法。
[0106]
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
[0107]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种单传感器异常检测方法。
[0108]
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0109]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
[0110]
获取传感器的测量值，以得到待检测数据；将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果；输出所述检测结果；
[0111]
其中，所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的。
[0112]
所述mcnn网络包括依序连接的输入层、转换层、卷积池化层、拼接层、反卷积池化层、全连接层以及输出层。
[0113]
在一实施例中，处理器502在实现所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的步骤时，具体实现如下步骤：
[0114]
获取若干个有异常分数标签的传感器检测值，以得到样本集；构建mcnn网络；利用所述样本集对所述mcnn网络进行训练，以得到训练结果；计算所述训练结果与异常分数标签的损失值；判断所述损失值是否趋于平稳；若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
[0115]
在一实施例中，处理器502在实现所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果步骤时，具体实现如下步骤：
[0116]
利用转换层对所述样本集提取原始数据以及多频率数据，并对所述样本集进行下采样，且采用vmd提取分解特征，以得到转换数据；将所述转换数据经过卷积池化层进行卷积、池化，并由拼接层进行拼接，以得到处理结果；对所述处理结果采用反卷积池化层进行反卷积，以得到反卷积结果；对所述反卷积结果采用全连接层进行全连接处理，以得到训练结果。
[0117]
在一实施例中，处理器502在实现所述计算所述训练结果与异常分数标签的损失值步骤时，具体实现如下步骤：
[0118]
采用mse损失函数计算所述训练结果与异常分数标签的损失值。
[0119]
应当理解，在本技术实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0120]
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
[0121]
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
[0122]
获取传感器的测量值，以得到待检测数据；将所述待检测数据输入至异常检测模型内进行异常分数计算，以得到检测结果；输出所述检测结果；
[0123]
其中，所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的。
[0124]
所述mcnn网络包括依序连接的输入层、转换层、卷积池化层、拼接层、反卷积池化层、全连接层以及输出层。
[0125]
在一实施例中，所述处理器在执行所述计算机程序而实现所述异常检测模型是通过若干个有异常分数标签的传感器检测值作为样本集训练mcnn网络所得的步骤时，具体实现如下步骤：
[0126]
获取若干个有异常分数标签的传感器检测值，以得到样本集；构建mcnn网络；利用所述样本集对所述mcnn网络进行训练，以得到训练结果；计算所述训练结果与异常分数标签的损失值；判断所述损失值是否趋于平稳；若所述损失值趋于平稳，则确定训练后的mcnn网络作为异常检测模型；若所述损失值不趋于平稳，则调整所述mcnn网络的参数，并执行所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果。
[0127]
在一实施例中，所述处理器在执行所述计算机程序而实现所述利用所述样本集对所述mcnn网络进行训练，以得到训练结果步骤时，具体实现如下步骤：
[0128]
利用转换层对所述样本集提取原始数据以及多频率数据，并对所述样本集进行下采样，且采用vmd提取分解特征，以得到转换数据；将所述转换数据经过卷积池化层进行卷积、池化，并由拼接层进行拼接，以得到处理结果；对所述处理结果采用反卷积池化层进行反卷积，以得到反卷积结果；对所述反卷积结果采用全连接层进行全连接处理，以得到训练结果。
[0129]
在一实施例中，所述处理器在执行所述计算机程序而实现所述计算所述训练结果与异常分数标签的损失值步骤时，具体实现如下步骤：
[0130]
采用mse损失函数计算所述训练结果与异常分数标签的损失值。
[0131]
所述存储介质可以是u盘、移动硬盘、只读存储器(read-only memory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
[0132]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0133]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0134]
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
[0135]
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
[0136]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。