欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022110386934
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图结构掩码自编码器的制糖厂数据异常检测方法,其特征在于所述方法包括以下步骤:

1)数据的获取和整合:提取正常数据设置为训练集,提取异常数据设置为测试集,并设置滑动窗口;

2)建立因果有向图:根据生产流程图,对其变量之间构建因果有向图;

3)建模训练:构建基于图结构掩码自编码器的数据异常检测模型;

4)检测异常:计算将测试集输入模型得到的重构结果与输入数据之间的差,并对输入数据是否异常进行判定。

2.如权利要求1所述的一种基于图结构掩码自编码器的制糖厂数据异常检测方法,其特征在于,所述步骤1)的具体过程如下:步骤1.1:选取制糖厂一段时间内的数据作为数据集进行测试;

步骤1.2:将数据集中的异常数据取出后作为测试集,并将剩余的正常数据作为训练集;

步骤1.3:设置滑动窗口,对滑动窗口的长度及步长进行选取;

步骤1.4:对获取的数据进行标准化处理,以便于模型进行处理和运算,具体公式如下:其中,X’是经标准化处理后的数据,X是未经标准化处理的原数据,μ是数据的均值,γ是数据的标准差。

3.如权利要求2所述的一种基于图结构掩码自编码器的制糖厂数据异常检测方法,其特征在于,所述步骤3)的具体过程如下:步骤3.1:是基于图注意力和Transformer构建异常检测模型;对于图G,其中V是节点数,T是每个节点中的特征数;使用权重矩阵对每个节点进行线性变换,F表示线性变换后的维度;在节点上执行自注意机制a: 以计算注意力系数eij:eij=a(xiW,xjW) (2)

eij表明了节点j的特征对节点i的重要性;该公式允许每个节点关注其他所有节点,通过掩码将图结构融入到该机制中,仅计算节点 的eij,其中 是图中节点i的邻域;

为了使不同节点之间的系数易于比较,使用softmax函数对j的所有选择进行归一化,公式如下:其中,σ(.)为LeakyReLU激活函数;

h‑Head(Q,K,V)=FC(Concat(head1,...,headh)) (5)K V

其中,h表示头的数量,αij表示两个节点间的注意力系数,WhQ、Wh 和Wh分别是将Q、K和Vth投影到h 线性空间的映射权重;B为比例因子,表示数据时间步;Q、K、V经过线性变换后,利用多头注意力机制构建它们的长期依赖关系;

步骤3.2:将步骤3.1中的层按顺序堆叠,获得一个不对称的自编码器结构。

4.如权利要求3所述的一种基于图结构掩码自编码器的制糖厂数据异常检测方法,其特征在于,所述步骤4)的具体过程如下:步骤4.1:建立变量拓扑图AT和变量学习图AL,并以变量拓扑图为主导,结合变量学习图生成变量关系图AG;对数据分成不同token并且随机遮掩50%的token获得遮掩数据d是嵌入维度,c是token的数量;

步骤4.2:将本征嵌入展平得到 随机初始化一个掩码向量并在第一维度复制V×c/2次得到被掩码数据 将本征嵌入与被掩码数据根据第一个维度拼接,随后堆叠多层注意力解码层的多头注意力机制对本征嵌入进行解码;

步骤4.3:通过KL损失对模型进行训练,使得重构数据的分布于输入数据趋于一致;最后计算重构数据与输入数据之间时刻级重构损失,完成对异常的检测和定位。