[发明专利]多模态数据缺失下的无监督异常检测方法

权利要求书

1.多模态数据缺失下的无监督异常检测方法，其特征在于，包括以下步骤：

步骤1：利用多个工业传感器采集机械设备运行状态数据，建立多模态数据集，对该数据集进行预处理，并将预处理后的数据集划分为训练集与测试集；

步骤2：构建用于多模态数据缺失下异常检测的无监督深度网络模型；所述用于多模态数据缺失下异常检测的无监督深度网络模型由两个模块组成：第一个模块为自编码器组，第二个模块为具有跳跃连接的多通道自编码器；其中，第一个模块中每个自编码器由编码器、全连层和解码器组成，第二个模块由编码器和解码器组成；两个模块中，每个编码器均由多个下卷积块组成，下卷积块由卷积层、批归一化层和LeakyReLU函数层构成；每个解码器由多个上卷积块组成，上卷积块由转置卷积层、批归一化层和ReLU函数层构成；

第一个模块实现模态内融合和缺失模态重建；编码器将输入的多模态数据映射到隐空间，过程表示为：

式中：为第i模态中第j源x^(i,j)经过编码器和全连层后得到的隐向量，W₁、W₂分别表示两个全连层的权重，b₁、b₂分别表示两个全连层的偏置，δ为激活函数；

通过模态内融合重建缺失模态，公式如下：

式中：a^(i,j)为模态内融合权重；表示向量的第k个分量，N_z为该向量的长度；为第i模态特征的平均表示，ε为一个极小的正数；为所有模态特征的平均表示；为重建的第i模态中第j源隐向量；

解码器将多模态隐向量映射到样本空间，过程表示为：

式中：为由编码器得到的第一次重构样本的第i模态第j源；

第二个模块实现模态间融合，具有跳跃连接的多通道自编码器每一层的处理过程为：

式中：为第二个模块中编码器第k层的输入，为该层输出；为第二个模块中解码器第k层的输出，为第二个模块中解码器第k+1层的输出，为特征维度拼接操作，第二个模块前向传播过程表示为：

式中：z₂为第一次重构样本经过编码器E₂得到的隐向量，由第一个模块得到的重构数据拼接而成；为由编码器D₂得到的第二次重构样本；

步骤3：使用步骤1中的训练集对步骤2中构建的无监督深度网络模型进行训练；

步骤4：使用步骤3得到的异常检测模型对步骤1中的训练集进行推理并得到训练集样本异常值，重建训练集样本异常值的概率分布，根据该分布和置信度确定异常检测阈值；

步骤5：使用步骤3得到的异常检测模型对步骤1中的测试集进行推理并得到测试集样本的异常值，根据步骤4得到的阈值给出测试集样本的异常检测结果。

2.根据权利要求1所述的多模态数据缺失下的无监督异常检测方法，其特征在于，步骤1中的预处理过程包括样本化、标签化和归一化；

对多模态数据集进行样本化处理，具体为：使用固定长度的滑动时窗从该数据集包含的多传感器时间序列中逐一提取样本，公式为：

式中：为第k个样本，x_j为第j个传感器获得的时间序列，M为模态个数，S_i代表第i个模态内的源数目即传感器个数，L为时窗长度，d_i为该样本第i模态缺失源的数目；

对样本化的数据集进行归一化处理，公式如下：

式中：为未归一化样本的第i个分量，x(i)为归一化样本的第i个分量，min(·)为取最小值函数，max(·)为取最大值函数；

对归一化的数据集进行标签化处理，样本标签为二维元组(A，B)，其中，A代表样本来源设备的运行状态，B表示样本模态是否完整，具体为：将设备正常运行状态下获得的样本即正常样本标记为A＝0，将设备异常状态下获得的样本即异常样本标记为A＝1；将模态缺失即d_i0的样本标记为B＝0，将模态完整即d_i＝0的样本标记为B＝1；

对标签化的数据集进行划分：从标签为(0，1)的样本中选取1/3作为训练集，将其余样本作为测试集。