[发明专利]一种基于人工智能的传感异常数据实时检测方法

权利要求书

1.一种基于人工智能的传感异常数据实时检测方法，其特征在于，包括：

获取历史传感数据并进行预处理；

构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练；

采用迁移学习fine-tune方法对AE-LSTM模型调整，得到传感数据异常实时检测模型；

获取实时传感数据并输入异常实时检测模型，对实时传感数据进行异常检测。

2.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述获取历史传感数据并进行预处理包括：

过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。

3.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述过滤噪声数据处理包括：

持续性全为零或存在负数值的历史传感数据直接过滤；

对于极大值，其阈值按照箱形图原理设定如下：

极大值＝Q₃+(Q₃-Q₁)*5，

其中Q₃为四分之三分位点，Q₁为四分之一分位点，对高于该阈值的历史传感数据进行过滤。

4.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述添补缺失数据处理包括：

若传感数据缺失数量大于设定阈值，则对该组传感数据进行过滤；若传感数据缺失数量小于或等于设定阈值，则对该组传感数据进行插值填充操作。

5.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述统一规整数据处理包括：

对历史传感数据归一化处理：

其中min和max分别是数据集中最小的特征值和最大的特征值；oldValue表示某项特征归一化处理前的值；newValue表示某项特征归一化处理后的值。

6.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述标注样本处理包括：

针对历史传感数据的每一个特征进行聚类分析，将各项特征聚成正常、异常、介于二者之间不确定三类，并得到划分三类的临界值。当所有特征均满足正常判决阈值，则标定为正常样本；当任意一个特征满足异常判决阈值，则标定为异常样本；其余不确定样本则不标记。

7.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述AE-LSTM模型以无监督的方式自动学习历史传感数据中内在的依赖关系，提取数据特征。

8.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述AE-LSTM模型输出神经元个数有两个：异常数据和正常数据。

9.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所述AE-LSTM模型的隐藏层数为一层。

10.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法，其特征在于，所采用迁移学习fine-tune方法对AE-LSTM模型调整，得到传感数据异常实时检测模型包括：

采用迁移学习fine-tune方法利用小样本的有标签样本进行网络学习，对AE-LSTM模型微调整，增强网络对不确定样本的学习。