[发明专利]一种动态控制系统的异常检测方法、装置和计算机可读介质

权利要求书

1.一种动态控制系统的异常检测方法(400)，其特征在于，包括：

-使用g网络初始化(S401)一个动态控制系统的隐状态分布；

-接收(S402)实时监测得到的当前时间点t处所述动态控制系统中传感器的测量值和触发器的状态值；

-将至少一个第一采样点输入(S403)f网络，以预测得到至少一个第二采样点，其中，所述至少一个第一采样点用于表示在当前时间点t之前的邻近时间点t-1处所述动态控制系统的隐状态分布，所述至少一个第二采样点用于表示在当前时间点t处所述动态控制系统先验的隐状态分布；

-使用h网络将所述至少一个第二采样点映射(S404)到传感器测量值空间，以预测得到在当前时间点t处所述动态控制系统的传感器测量值的概率分布；

-通过比较实时监测得到的所述测量值与预测得到的所述概率分布来判断(S405)所述动态控制系统是否存在异常；

其中，所述g网络、f网络和h网络是用于表示所述动态控制系统动态分布的神经网络中的子网络，所述g网络为前馈网络，用于将传感器的测量值编码为低维隐状态向量；所述f网络将滑动窗口内的传感器的测量值和触发器的状态值编码为向量，并利用所述g网络编码得到的当前时间点的隐状态向量预测下一个时间点处的隐状态向量；所述h网络为前馈网络，将预测得到的下一个时间点处的隐状态向量解码为传感器的测量值，并将当前时间点处的低维隐状态向量解码为传感器的测量值；所述神经网络是使用所述动态控制系统正常工况下获取的传感器的测量值训练得到的。

2.如权利要求1所述的方法，其特征在于，还包括：

-更新(S406)在当前时间点t处所述动态控制系统后验的隐状态分布，用于获取在当前时间点t之后的邻近时间点t+1处的所述第一采样点。

3.如权利要求1所述的方法，其特征在于，所述神经网络训练时采用的损失函数使得用于训练的各时间点处传感器的测量值的重建误差和预测误差之和最小。

4.如权利要求1所述的方法，其特征在于，所述至少一个第一采样点和所述至少一个第二采样点均为sigma采样点。

5.一种动态控制系统的异常检测装置(30)，包括：

-一个初始化模块(311)，被配置为使用g网络初始化一个动态控制系统的隐状态分布；

-一个数据获取模块(312)，被配置为接收实时监测得到的当前时间点t处所述动态控制系统中传感器的测量值和触发器的状态值；

-一个预测模块(313)，被配置为：

-将至少一个第一采样点输入f网络，以预测得到至少一个第二采样点，其中，所述至少一个第一采样点用于表示在当前时间点t之前的邻近时间点t-1处所述动态控制系统的隐状态分布，所述至少一个第二采样点用于表示在当前时间点t处所述动态控制系统先验的隐状态分布；以及

-使用h网络将所述至少一个第二采样点映射到传感器测量值空间，以预测得到在当前时间点t处所述动态控制系统的传感器测量值的概率分布；

-一个异常判断模块(314)，被配置为通过比较实时监测得到的所述测量值与预测得到的所述概率分布来判断所述动态控制系统是否存在异常；

其中，所述g网络、f网络和h网络是用于表示所述动态控制系统动态分布的神经网络中的子网络，所述g网络为前馈网络，用于将传感器的测量值编码为低维隐状态向量；所述f网络将滑动窗口内的传感器的测量值和触发器的状态值编码为向量，并利用所述g网络编码得到的当前时间点的隐状态向量预测下一个时间点处的隐状态向量；所述h网络为前馈网络，将预测得到的下一个时间点处的隐状态向量解码为传感器的测量值，并将当前时间点处的低维隐状态向量解码为传感器的测量值；所述神经网络是使用所述动态控制系统正常工况下获取的传感器的测量值训练得到的。

6.如权利要求5所述的装置，其特征在于，还包括：

-一个更新模块(315)，被配置为更新在当前时间点t处所述动态控制系统后验的隐状态分布，用于获取在当前时间点t之后的邻近时间点t+1处的所述第一采样点。