一种用于样本不足的工控系统的工控异常检测方法

技术特征：
1.一种用于样本不足的工控系统的工控异常检测方法，采用机器学习算法来构建分类器，然后用分类器监测工控系统中各传感器的读数以判断当前是否处于工控异常状态，其特征在于：所述机器学习算法为tradaboost算法，且分类器的构建过程包括以下步骤：步骤一：合并源域的训练集和目标域的训练集；步骤二：初始化源域的训练集和目标域的训练集的权重；步骤三：使用二分类模型来训练合并后的训练集，得到一个分类器，记作临时分类器；步骤四：计算临时分类器在目标域的测试集上的错误率；步骤五：根据错误率求取回补参数，源域的训练集的权重乘以回补参数；步骤六：迭代进行步骤三到五，迭代次数记作n，迭代完成后，输出最终的分类器；n由遗传算法求取。2.根据权利要求1所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：所述源域和目标域的样本特征维数不相等；步骤三中，先评判样本特征对响应的影响程度高低，对所有的样本特征进行降序排列，然后截取排序靠前的样本特征进行训练，截取的样本特征维数不大于源域的样本特征维数、且不大于目标域的样本特征维数。3.根据权利要求2所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：基于lasso模型对样本特征进行降序排列，lasso模型中，损失函数如下：假设样本数目为m，特征维度为n，式中x为m
×
n的矩阵，y为m
×
1的向量，α为常数系数，θ为n
×
1的向量，为经验损失函数，含义为惩罚系数、取值为θ的l1范数。4.根据权利要求2所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：通过控制变量法求取截取的样本特征维数的最优值，其中，自变量为样本特征维数，因变量为最终的分类器的auc值，样本特征维数的最优值需使最终的分类器的auc值最高。5.根据权利要求1所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：步骤五中，采用源域和目标域的距离对回补参数进行修正。6.根据权利要求5所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：步骤五中，回补参数，其中，t代表计算回补参数时处于第几次迭代，为基分类器在目标域的测试集上的错误率，d为源域和目标域的距离。7.根据权利要求6所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：源域和目标域的距离通过最大均值差异计算。8.根据权利要求1所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：步骤三中，采用堆叠泛化的方式进行训练。9.根据权利要求8所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：基分类器个数以及迭代次数同时通过遗传算法求取。10.根据权利要求9所述的一种用于样本不足的工控系统的工控异常检测方法，其特征在于：求取基分类器个数以及迭代次数的遗传算法中，染色体由任务序列编码，群体初始化采用基分类器数目和迭代次数，适应度函数为评价指标auc的值，选择算子为轮盘赌选择，交叉算子为单点交叉，突变算子为位反转突变。

技术总结
本发明涉及全面工厂控制技术领域，公开了一种用于样本不足的工控系统的工控异常检测方法，采用机器学习算法来构建分类器，然后用分类器监测工控系统中各传感器的读数以判断当前是否处于工控异常状态。通过评判样本特征对响应的影响程度高低，对所有的样本特征进行降序排列，然后截取排序靠前的样本特征进行训练，从而在源域和目标域的样本特征维数不一致时依然能够正常使用TrAdaBoost算法进行机器学习；通过对回补参数进行改进，将源域和目标域差别考虑在内，提高了分类器的AUC值；通过采用遗传算法，以较小的计算量筛选出了迭代次数的最优值以及基分类器数目的最优值。的最优值以及基分类器数目的最优值。的最优值以及基分类器数目的最优值。


技术研发人员：刘学君 张小妮 晏涌 沙芸 王昊 郭嘉程 李忠林 王汝墨 苏鹏 张兴龙 王博涛 海鑫
受保护的技术使用者：北京石油化工学院
技术研发日：2022.02.28
技术公布日：2022/7/12