[发明专利]一种基于生成对抗网络的实时异常检测方法

说明书

本发明涉及一种基于生成对抗网络的实时异常检测方法，其中，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。

技术领域

本发明涉及数据监督检测技术，特别涉及一种基于生成对抗网络的实时异常检测方法。

背景技术

基于生产线采集的时序过程数据对产品质量的异常做预测和判断的机器学习方法，已经在生产制造企业得到了广泛应用。

通过数据标注方式可以将这些方法归类为三种：

有监督异常检测方法，首先将产线数据标注为正常和异常两种类别，再使用经过标注的产线数据输入神经网络或随机森林等有监督机器学习模型做训练，然后使用模型对新采集的产线数据做预测。中国专利“异常指标检测方法、装置、计算机设备和存储介质”中，通过聚类筛选和人工标注的方式对正常、异常数据分别进行标注，然后将标注数据输入到循环神经网络模型进行训练，实施中通过无监督方法对异常数据进行预筛选，再使用循环神经网络有模型的有监督方法对异常情况进行预测。

无监督异常检测方法，常用无监督方法有基于密度的方法和基于聚类的方法等，将产线数据表示为多维空间的数据点，通过判断特定数据点与其它数据点的距离关系，判断数据的异常情况。中国专利“一种利用时序聚类算法实现故障检测的方法”提供了一种使用DBSCAN聚类算法对故障进行无监督检测的方法，对时序数据计算聚类后的异常分数值，根据异常分数值是否超过阈值判断是否存在异常。

半监督异常检测方法，适用于历史数据没有异常数据，或只包含极少异常数据的情况，只使用正常数据输入模型进行训练。中国专利“一种基于生成对抗网络的异常检测方法”提供了一种通过生成对抗网络模型对异常图像进行检测的方法，将真实图像输入到模型，模型的生产网络部分基于真实图像生成异常图像，模型的鉴别网络部分对图像判断是否存在异常。

有监督异常检测方法需要比较多的标注数据对模型进行训练，由于在制造业生产线中，异常数据通常较为稀少，且标注数据需要专业知识，标注成本较高，在很多产线质量异常检测的实际应用时，只会有很少的标注数据，或者甚至没有异常数据，有监督方法难以找到足够的数据对模型进行训练，无法有效识别异常数据。

无监督异常检测方法中对特定场景的先验参数通常难易确定，容易造成算法偏差，很多无监督方法需要人工确定类别个数或者类别间距离阈值，在只有正常数据的情况下，无监督方法难以发挥作用。

半监督异常检测方法，在通过正常数据生成异常数据时，产线的训练数据通常无法覆盖正常数据的完整数据分布。在使用历史数据训练完成后，产线数据经常有新的变化，半监督模型受限于历史数据，容易将正常数据误检测为异常数据。

发明内容

本发明的目的在于提供一种基于生成对抗网络的实时异常检测方法，用于有监督异常检测方式无法应用到缺失标注数据场景、无监督异常检测方式无法应用到缺失异常数据场景的问题。