[发明专利]一种基于多源数据的复杂机电系统异常状态检测方法

说明书

一种基于多源数据的复杂机电系统异常检测方法，首先采用去趋势互相关分析(DCCA)定量分析多维变量间的相关关系，构建以变量间耦合关系为边、监测变量为节点的复杂系统多变量耦合关系网络；在此基础上，建立基于无监督学习的变分图自编码模型，对系统多变量耦合关系网络进行特征提取，使用正常数据训练该模型，图卷积网络作为编码器学习输入数据的分布，采样获得其潜在表示以实现耦合网络的重构，通过训练样本获得重建概率阈值，采用重建概率作为系统多维多态监测数据异常检测评价指标；本发明考虑多源数据间的耦合关系，引入变分图自编码器模型，降低经验依赖性并克服异常样本少的问题，提高了系统异常检测的准确性和可靠性。

技术领域

本发明涉及复杂机电系统异常检测技术领域，尤其涉及一种基于多源监测数据的复杂机电系统异常检测方法。

背景技术

传统的复杂机电系统异常检测主要采用阈值报警与人为判断，经验依赖性强，准确率低，误判、漏检率高。

近年来，随着复杂机电装备自动化程度和信息集成度的日益提高,复杂机电系统运行状态数据量激增，系统级设备所配备的代表性的DCS、TSI和SCADA等各种监测系统所采集数据具备多源、海量、异常缺乏、无标签等特点。数据驱动的异常检测方法被广泛应用于工业领域系统及零部件的状态识别，成为克服传统异常检测方法经验依赖性强、准确率低、误判漏检率高等缺陷的有效途径。

目前基于深度学习的异常检测方法均未考虑系统各监测变量间存在的复杂耦合关系，局限于利用单一变量或多变量简单叠加进行异常检测或故障识别，对系统运行状态敏感性低，计算结果的可靠性难以满足工业时序数据异常检测的需求。

发明内容

为了克服人为提取特征指标检测方法经验依赖性的缺点，本发明的目的在于提供一种基于多源监测数据的复杂机电系统异常检测方法，引入重建概率作为异常指标，提升方法异常检测的鲁棒性和准确性，对系统运行状态敏感性高，计算结果可靠。

为了达到上述目的，本发明采用以下技术方案：

一种基于多源数据的复杂机电系统异常检测方法，包括以下步骤：

(1)获取数据采集系统采集到的机电设备多源状态变量，所述数据包括温度、压力、振动数据；

(2)采用非平稳非线性序列间相关性分析方法对所述多源状态变量两两序列间的耦合关系进行定量分析，得到系统多变量耦合关系矩阵；

(3)将所述多源状态变量抽象为网络的节点，将所述多源状态变量两两序列间的耦合关系抽象为网络的边，从而构建出系统多变量耦合关系网络，以网络形式实现对系统状态的准确描述；

(4)基于耦合关系网络构建变分图自编码器，使用正常状态下耦合关系网络作为训练样本训练模型，对所述耦合关系网络进行特征提取，通过重构原始耦合关系网络，得出正常状态下的重建概率作为异常检测评价指标，并确定重建概率阈值；

(5)将测试样本输入所述模型，重构所述测试样本，得出测试样本重建概率，与步骤(4)所得阈值对比，实现异常检测。

步骤(2)中所述的非平稳非线性序列间相关性分析方法包括去趋势互相关分析(DCCA)方法、去趋势协方差函数分析方法或皮尔逊相关系数法。

步骤(4)中所述的基于耦合关系网络的变分图自编码器是通过一个两层图卷积网络作为编码器学习输入耦合关系网络的分布，进而从所述分布中采样得到潜在变量，有效提取所述耦合关系网络特征，然后利用所述潜在变量通过内积重构原始耦合关系网络，计算重构的耦合关系网络属于所述分布的概率，该概率称为重建概率。

步骤(4)中所述变分图自编码器的训练过程如下：