[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

说明书

本发明实施例涉及动态控制系统的异常检测方法、装置和计算机可读介质。方法包括：使用神经网络中的g网络初始化动态控制系统的隐状态分布；接收实时监测得到的当前时间点t处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神经网络中的f网络以预测得到至少一个第二采样点，第一采样点表示在当前时间点t之前的邻近时间点t‑1处动态控制系统的隐状态分布，第二采样点表示在当前时间点t处动态控制系统先验的隐状态分布；使用神经网络中的h网络将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测量值与预测得到的概率分布来判断系统是否存在异常。

技术领域

本发明实施例涉及异常检测技术领域，尤其涉及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。

背景技术

动态控制系统的主动状态监测对于保障各种工业(比如：离散制造、发电、楼宇资产管理和过程工业)的安全和可靠性至关重要。为了在预测性维护中预先检测运行故障，通常都会部署异常检测系统以监测控制系统的动态行为，其中包括传感器的测量值和触发器的状态值随时间的动态变化。但实践中，为动态控制系统建立有效的、具有高真阳性率和低假阳性率的异常检测模型仍是十分困难的，这是因为：

第一，通常故障数据量较少，异常检测模型必须要能够检测出未知的故障。

第二，对于具有高度非线性动态的控制系统，异常检测模型要能够准确地捕捉到系统复杂的动态行为。

第三，异常检测必须要在随机时间点处的传感器噪音量和模型误差未知的情况下准确检测异常。

目前动态控制系统的异常检测方法包括：基于残差的异常检测方法、基于密度的异常检测方法、基于单分类的异常检测方法和基于规则的异常检测方法。

其中，基于残差的异常检测方法依赖于诸如基于神经网络的回归模型的预测模型(参见《长短期存储》Hochreiter,Sepp和Jürgen Schmidhuber在1977年发表于《神经计算》1735页至1780页)或诸如自动编码器的重建模型(参见《用于深度置信网络的快速学习算法》Hinton,Geoffrey E、Simon Osindero和Yee-Whye Teh在2006年发表于《神经计算》1527页至1554页，以及《自动编码变分贝叶斯》，Kingma、Diederik P和Max Welling于2013年发表于预印本平台arXiv)，以压缩传感器的测量值来获取低维度特征并进行重建。然后将预测或重建的测量值与实时监测得到的测量值相比，生成残差。如果残差超过预设的阈值则认为检测到异常。实践中，由于传感器噪音量以及每一个时间点预测误差或重建误差未知，介于正常和异常的传感器的测量值之间严格的阈值很难定义。因此，基于残差的方法的性能通常在传感器的测量值受到较大噪音干扰或模型预测或重建的误差不稳定时恶化。