1.一种基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法,其特征在于,所述方法包括以下步骤:
1)样本划分和标准化:采用滑动窗口将原始工业系统数据划分为样本;
2)异常检测模型构建:采用图注意力网络和LSTM自动编码机构建异常检测模型;
3)实时异常检测:基于重构误差计算异常程度分数,在此基础上进行异常状态判定;
所述步骤1)中,给定原始多维时序的工业系统数据(1-1)样本划分:基于宽度为W、步长为S的滑动窗口将X划分成由多个样本组成的样本集XS,其中,划分后样本的个数为N,每个样本(1-2)标准化:基于Z-Score方法对数据进行标准化操作,使得每个窗口中每个维度上的数据的均值为0、标准差为1;
所述步骤2)中,异常检测模型构建的步骤如下:(2-1)关联图构建:将每个样本x转化为关联图的形式G(2-2)模型构建:异常检测模型为一个深度神经网络,包含交互层、编码层、解码层和重构层;
(2-3)模型训练:为实现无监督的模型训练,将解码器产生的重构样本y和原始样本x之间的均方误差作为模型的损失函数,在此基础上采用梯度下降方式对模型进行优化训练;
所述交互层使用图注意力网络来处理模型的输入,交互层的输入为步骤(2-1)中得到的关联图形式的样本G所述编码层使用LSTM网络处理连续N个样本的交互层输出zh
所述解码层使用LSTM网络处理编码层的输出h所述重构层使用神经元数量为F的全联接层处理解码层的输出r
2.如权利要求1所述的基于图注意力网络与LSTM自动编码模型的工业系统异常检测方法,其特征在于,所述步骤(3)中,实时异常检测的步骤如下:(3-1)异常程度打分:给定实时样本x,首先将其输入训练好的异常检测模型,得到重构样本y;然后,计算x和y的均方误差,作为x的异常程度分数p(3-2)异常判定:如果p