[发明专利]一种基于生成对抗网络的实时异常检测方法

权利要求书

1.一种基于生成对抗网络的实时异常检测方法，其特征在于，包括：

离线训练和实时检测；

离线训练包括：

将从生产设备采集的批量历史正常数据经过数据清洗后输入到生成对抗网络模型，对抗网络模型生成异常数据并进行鉴别检测，训练完成后将对抗网络模型部署到实时检测环境；

实时检测包括：

从生产设备采集实时数据，并同步将数据存储到历史数据库，实时数据经过数据清洗后，输入到生成对抗网络模型进行异常检测；当检测结果为正常时，将实时数据标注为正常数据，并回流输入到对抗网络模型进行增量训练；当检测结果为异常时，触发异常报警，等待人工处理，确认为异常结果时，将实时数据标注为异常数据，并回流到模型的鉴别网络部分进行增量训练。

2.如权利要求1所述的基于生成对抗网络的实时异常检测方法，其特征在于，离线训练具体包括：

从生产设备采集实时数据；

从生产设备的传感器实时采集过程数据以及生产结果数据；

将采集的数据存储到历史数据库；

对历史数据进行数据清洗，清洗为适合输入模型的数据格式。

3.如权利要求2所述的基于生成对抗网络的实时异常检测方法，其特征在于，过程数据包括：转速、温度以及每一生产步骤持续时长。

4.如权利要求1所述的基于生成对抗网络的实时异常检测方法，其特征在于，数据清洗具体包括：

(1)将时序数据按时间排序；

(2)去除重复数据；

(3)补全缺失数据；

(4)进行数据转换，对于生产数据特征，根据生产经验或者依据特征和产品质量的单调区间变化，进行阈值划分；

(5)对生产数据进行数据特征间的组合，并且对位于时间序列不同时间的数据特征进行组合。将未组合的离散数据和组合后的数据与拼接后，一起输入到由全连接神经网络构成的编码器。

5.如权利要求1所述的基于生成对抗网络的实时异常检测方法，其特征在于，训练生成对抗网络模型包括：

将训练数据输入对抗网络模型，通过生成网络生成异常数据，并与正常数据一起输入到鉴别网络进行有监督训练，生成对抗网络模型；

训练数据是由生产数据经过数据处理后生成的数据集，初始训练数据由正常数据组成。

6.如权利要求5所述的基于生成对抗网络的实时异常检测方法，其特征在于，在训练生成对抗网络模型过程中，将正常的带标签有监督训练数据输入到鉴别网络学习正常的数据分布；后将训练数据中时间步1和时间步2的数据字段输入到生成网络，输出为预测时间步3的数据字段；将原始时间步1、时间步2的数据字段和预测得到的时间步3数据做拼接，异常数据标签值设置为1，作为异常数据输入鉴别网络，对鉴别网络做训练；鉴别网络经过梯度下降对网络参数权重做调整，并将梯度传播到生成网络，对生成网络做调整，以生成更难以区分的异常数据。

7.如权利要求1所述的基于生成对抗网络的实时异常检测方法，其特征在于，在对抗网络模型中的神经网络类型选取全连接神经网络作为基础结构。