[发明专利]一种无监督学习的电池生产工艺异常波动检测方法

说明书

本发明公开了一种无监督学习的电池生产工艺异常波动检测方法，本发明提出的特征融合重建网络中编码器网络通过多层卷积操作对输入的多通道特征矩阵进行空间上的特征提取。ConvLSTM网络提取输入的多通道特征矩阵序列在不同时间步长中的时间特征，完成数据的特征捕捉，同时在此基础上添加的注意力机制可以完成权重分配，将更多的注意力权重分配给关键的特征并减少噪声的干扰。通过译码器网络可以解码在上一步获得的特征映射，同时，利用特征矩阵信息的非对称能力来构造特征提取矩阵，从而增强各层之间的特征重用性。分层特征融合模型增加各层之间的特征交互，使得模型能够感知更多的特征维度和时间维度的信息。

技术领域

本发明涉及工业生产工艺波动分析领域，具体涉及一种无监督学习的工艺波动的异常检测方法。

背景技术

随着物联网和传感器技术的发展，工业生产中记录了大量的高维传感器数据，用来监测设备的运行状态。作为监控设备状态的一种重要方式，时间序列数据的异常检测在城市资源管理、计算机网络入侵检测、医疗保健和工业生产中得到了广泛关注。但是，通过传感器采集的数据多数是正常状态，而异常数据由于难以获得而较少，这就增加了异常检测的负担。如何通过现有的技术完成异常点检测，从而提高工业生产工艺波动分析的效率，减低生产设备的运行和维护成本具有重大的应用价值。

传统的异常点检测方法包括基于距离的方法和基于分类的方法。其中，一类支持向量机算法为基于距离方法的代表算法，通过对训练数据进行建模，从而区分出数据中的正常点和异常点。虽然该方法能够有效地解决数据的区分，但是该方法只关注了数据的本身信息，没有对时间序列的相关性进行捕捉，使得效果不佳。另一种方法是基于分类的方法，如隔离森林，该方法通过随机选择特征进行二叉树的搭建，从而完成时间序列的异常点检测，此方法需要耗费大量的时间进行特征设计和预处理，导致检测效果不稳定。

针对传统的异常点检测方法的缺点，基于深度学习的方法大量涌现出来，其中长短期记忆网络(Long Short-Term Memory，LSTM)是处理时间序列的典型深度学习模型之一。基于LSTM模型的数据异常点检测方法，主要是预测下一个时间步长内的数据，并计算预测数据与真实数据之间的距离，通过距离的大小进而判断该时间点的是否出现异常。LSTM模型可以学习短期或长期时间序列数据中的非线性关系，但是对于噪声非常的敏感，从而增加了异常检测中的误分类风险。

综上所述，在处理电池生产过程工艺波动分析问题中，寻找一种有效的时间序列异常检测的方法，以替代现有的技术，成为了目前亟需解决的问题。

发明内容

本发明提出一种基于无监督学习的电池生产工艺异常波动检测方法，分层特征融合重建网络HFFRN(Hierarchical Feature Fusion Reconstruction Network)，算法流程图如图1所示，该算法可以实现电池生产过程中工艺波动的异常检测的功能。

本发明的技术方案包括如下步骤：

1)数据采集：通过安装在电池生产设备上的传感器，采集生产过程中工艺参数的时间序列，建立数据集；

2)数据处理：将原始数据集划分为训练集X_train、验证集X_val、测试集X_test,其中X_train中只包含正常的样本，X_val和X_test中包含正常和异常的样本；对于每个数据集处理后，生成多通道特征矩阵M；

3)搭建HFFRN模型，并使用训练集X_train对模型进行训练；

搭建HFFRN模型，具体构建步骤如下：