[发明专利]基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质

说明书

本发明涉及流数据异常检测技术领域，更具体地，涉及基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质，包括以下步骤：S10：读取挤压机挤压过程原始流数据，并通过原始流数据对多特征半空间孤立森林模型进行初始化；S20：进入检测周期，使用多特征半空间孤立森林模型对当前周期流数据进行异常检测；S30：判断检测周期是否结束，若未结束，则返回步骤S20，更新检测周期，若结束，则进入下一步；S40：判断当前周期异常率是否大于阀值，若是则表示存在概念漂移，使用当前周期数据对模型进行更新，若否则返回步骤S20，进入下一周期检测直至全部周期检测完毕为止。能够对模型进行实时更新，解决了流数据中存在噪声和概念漂移导致异常检测结果不精确的问题。

技术领域

本发明涉及流数据异常检测技术领域，更具体地，涉及基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质。

背景技术

我国是铝型材生产、出口和消费大国。2015年我国铝型材加工材产量达到26000kt/a，铝合金挤压材产量达到14000kt/a，居世界前列。进一步的数据统计显示，2017年中国挤压铝材产量继续攀升，达到了19500kt/a，占全球总产量的55％，拥有各种挤压力的现代化油压机约1850台，约占全球总台数的70％。铝材生产与消费规模在不断扩大，对铝型材生产过程的进一步分析，已经成为促进铝材生产进一步发展的迫切需求。

传感器设备具有价格低廉以及非侵入性的特性，促使物联网技术正越来越多地被应用到工业大数据领域中。由于生产流程复杂，工业设备上的传感器数量众多且取样频率高，数据累积速度极快。产生的数据具有时间序列排布、数据维度高且存在大量无标签数据、机理模型复杂等特点，并且特殊工况的发生常常会带来较大的经济损失。挤压机是铝型材生产线上的核心设备，在发展过程中其结构日趋于大型化、复杂化及自动化，若能对生产过程中出现的异常及时进行检测与分析，将会提高整个生产过程的效率，从而带来较大的应用价值。

异常检测一直以来都是数据挖掘领域的研究热点，被广泛应用于设备状态监测、网络入侵检测以及金融欺诈检测等领域。目前，面向工业生产的异常检测方法的研究主要集中在利用不同的异常检测方法解决不同工业生产环境下的特定问题上。

为了避免发电厂汽轮机健康监测系统由于噪声问题出现不必要的假警报与故障误诊，Ajami应用主成分分析法(PCA)排除了次要的影响因素，提升了故障诊断的正确性和有效性；Kim结合无标签传感设备与边缘计算的场景提出了一种压缩卷积变分自编码器方法(SCVAE)，用来解决无标签传感设备在小型生产工厂中的异常检测问题；在分切机运行质量管理与质量控制研究中，kanawaday利用差分整合移动平均自回归(ARIMA)模型对分切机可能产生的错误和质量缺陷进行预测，优化了整个生产过程；针对挤压机设备异常原因复杂、检测方法时效性不足等问题，现有技术中还提出了一种基于贝叶斯网络的铝型材挤压过程异常检测方法，极大地缩短了网络构建周期，提高了检测的效率。但是由于挤压机流数据中存在的噪声和概念漂移导致异常检测结果不精确，基于贝叶斯网络的铝型材挤压过程异常检测方法也无法解决该问题。

另外，在实际场景中，工业生产数据更多的是以流数据的形式表现的。流数据通常数量巨大、生成速度快，而且其分布可能会随着时间的推移而发生变化，即概念漂移现象，导致异常检测结果不精确的问题。现有的HS-Trees算法检测异常存在反馈延迟问题。因此面向流数据的异常检测模型必须及时更新，适应可能发生变化的数据，保证模型的有效性。另外HS-Trees算法的反馈延迟问题的根源在于，在不同长度的检测周期中评分函数值域会发生改变，从而无法通过同一阈值对异常数据进行划分。

发明内容

本发明的目的在于克服现有技术中异常检不精确的不足，提供基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质，能够对模型进行实时更新，解决了流数据中存在噪声和概念漂移导致异常检测结果不精确的问题。

为解决上述技术问题，本发明采用的技术方案是：基于孤立森林算法的铝型材挤压过程流数据异常检测方法，包括以下步骤：