[发明专利]利用高维传感器数据的多数表决进行无监督异常检测和责任的方法和系统

说明书

一个实施方案可提供用于检测与一台或多台机器相关联的高维传感器数据的异常的系统。在操作期间，系统可从与一台或多台机器相关联的一组传感器获得传感器数据，对传感器数据应用数据探测技术以自动处理传感器数据，以从可用的一组特征传感器中识别一个子组的特征传感器，将无监督机器学习技术应用于所识别的一个子组的特征传感器和目标传感器，以学习一组成对单变量模型，并且基于一组成对单变量模型来确定异常在一台或多台机器的操作中是否发生以及如何发生。

背景技术

技术领域

本公开整体涉及一种在工业机器或系统的操作中进行异常检测的系统和方法。更具体地，本公开涉及检测高维传感器数据中的异常。

相关领域

随着物联网(IoT)使能装备在例如数字制造的许多工业应用中使用的越来越多，容易获得大量的传感器数据。此类传感器数据包括可用于优化工厂机器的操作效率的可执行信息。具体地，检测操作异常已成为其立即应用以减少工厂停工时间并提高制造过程中的生产率和效率的最为追求的目标之一。然而，开发能够可靠地扩展到不同工厂配置中的各种设定的异常检测技术是一项具有挑战性的任务。这是因为传感器数据可能由于数据质量差和缺乏标签信息而出现病态。例如，传感器数据可包括大量缺失、损坏、噪声和高度相关的值。

许多现实生活中的工业IoT应用由于可用传感器数据的病态性质而不能最佳地执行。在没有适当的数据预处理和模型选择的情况下，参数估计倾向于较大偏差和失真，这将导致异常检测中的显著错误。为了避免此类错误，通常需要数据预处理阶段来选择、过滤和重采样传感器数据。

在工业IoT应用的常规异常检测手段中，在传感器数据的先验领域知识的情况下执行此类数据预处理，并且通常自动化程度较低。由于难以获得标记的传感器数据并且缺乏全自动异常检测方法，所以常规手段充其量在不同数据集上提供不可靠的异常检测。此外，很难获得标记的数据集或者获得成本高昂。换句话讲，不存在关于哪些点是正常的或异常的先验知识。因此，未给出对异常的明确定义。在没有正常或异常示例的情况下，需要从可用传感器数据执行无监督学习。此类无监督学习可对算法开发施加显著约束，因为在精度和调用(例如，灵敏度)之间存在固有性能权衡，这继而可导致不同数据集上的异常检测不可靠。为了使异常检测方法很好地扩展到现实生活的应用中，需要使异常分析工作流程自动化以进行数据预处理、模型选择和异常检测。

发明内容

根据本发明的一个实施方案，提供了一种用于检测与一台或多台机器相关联的高维传感器数据的异常的系统。在操作期间，该系统可从与机器相关联的一组传感器获得传感器数据，其中该组传感器包括目标传感器和一组特征传感器，将数据探测技术应用于传感器数据以从该组特征传感器中识别一个子组的特征传感器，将无监督机器学习技术应用于所识别的子组的特征传感器和目标传感器，以学习一组成对单变量模型，并且基于该组成对单变量模型来确定在一台或多台机器的操作中是否发生异常以及如何发生的异常。

在该实施方案的变型中，应用数据探测技术可包括以下中的一者或多者：应用数据预处理技术、应用数据清理技术以及应用特征工程技术。

在该实施方案的变型中，应用数据清理技术包括：当目标传感器数据的记录周期期间缺失值的量小于阈值时，通过线性插值替换传感器数据中的缺失值；以及当目标传感器数据的记录周期期间缺失值的量大于阈值时，丢弃传感器数据中的缺失值。

在该实施方案的变型中，应用特征工程技术包括：调整一组特征传感器和目标传感器之间的一组时间延迟；计算延迟调整的该组特征传感器与目标传感器之间的相关性；并且基于它们之间的相关性值对该组特征传感器进行排序。

在另外的变型中，该组成对单变量异常模型中的每个成对单变量异常模型可与来自该子组的特征传感器中的特征传感器以及目标传感器相关联。