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: 2024115640381
申请人: 暨南大学
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.工业控制系统异常检测的深度学习方法,其特征在于,包括以下步骤:S1、在需要被保护或者被检测的工业控制系统中使用数据采集系统实时收集传感器数据,对采集得到的数据进行处理得到数据集,此数据集包括训练集、验证集和测试集;

S2、构建神经网络模型,此神经网络模型包括:节点编码器,用于提取局部时间依赖关系;

面向物理流程图注意力网络模块,用于捕捉传感器在物理过程中的依赖关系;

面向控制器图注意力网络模块,用于捕捉控制器之间的传感器信息流动关系;

预测器,用于预测出下一个时间戳里传感器的预期值;

所述节点编码器包括一维卷积层和线性层,一维卷积层对滑动窗口输入的数据沿时间维度对每个节点进行一维卷积,以捕捉输入序列中的局部时间依赖关系,从而得到卷积后的结果矢量化,再将此结果矢量化输入到线性层,以对每个节点为进行编码;

所述面向物理流程图注意力网络模块包括:

划分物理子图,将各个节点划分节点集合,以构成物理流程图;

生成物理子图,基于自适应注意力机制,令每个节点进行分配不同的权重,并对物理流程图中各个节点特征进行平均池化操作;

物理图注意力层,对平均池化后的物理流程图进行图注意力操作,获得相邻的物理流程的特征,以捕捉传感器在物理过程中的依赖关系;

面向控制器图注意力网络模块包括:

划分控制器子图,将各个节点划分节点集合,以构成控制图;

生成控制器子图,基于自适应注意力机制,令每个节点进行分配不同的权重,并对控制图中各个节点特征进行平均池化操作;

控制图注意力层,对平均池化后的控制图进行图注意力操作,获得相邻的物理流程的特征,以捕捉控制器之间的信息流动的依赖关系;

S3、采用早停机制训练神经网络模型,以对神经网络模型实现优化;

S4、部署优化后的神经网络模型,以对被保护或检测的工业控制系统进行异常诊断,得到诊断结果。

2.根据权利要求1所述的工业控制系统异常检测的深度学习方法,其特征在于,步骤S3包括以下步骤:S31、根据图注意力网络的嵌入向量的维度d和全连接层神经元的数量n初始化神经网络模型,初始化耐心值m;

S32、在每一轮训练中采用滑动窗口将训练集输入到神经网络模型中进行训练学习,损失函数采用平方差损失函数:,

其中,是输入样本滑动窗口的大小,是训练集的总的时间戳,表示模型预测出t时刻各传感器的值,表示时刻的各传感器的实际值;

S33、在每一轮训练后,在验证集上进行验证:如果在当前轮次中验证集损失低于之前记录的最优损失值,则更新最优损失并保存当前模型参数;否则,增加耐心计数器;如果耐心计数器超过了设定的耐心参数m,训练过程将停止,并返回到验证集损失最优时的模型参数。

3.根据权利要求1所述的工业控制系统异常检测的深度学习方法,其特征在于,步骤S4中异常诊断的方式为:S41、令第i个传感器在t时刻的异常分数为:,

其中,为第i个传感器在t时刻的预期值, 为第i个传感器在t时刻的观察值;

S42、对每个传感器的误差值进行鲁棒的归一化处理:,

其中,和分别表示在验证集上所有时间的中位数和四分位数,表示第个传感器经过鲁棒性归一化处理的异常分数;

S43、采用时刻t所有传感器中的最大归一化异常分数作为整体异常分数,即对t时刻所有传感器异常分数使用max函数:;

A(t)是t时刻所有传感器中最大的异常的分数;

S44、若,其中表示异常分数判定的阈值;则认为系统发生了异常同时认为异常发生在A(t)所对应传感器的流程。

4.根据权利要求1所述的工业控制系统异常检测的深度学习方法,其特征在于,步骤S4之后还包括以下步骤:S5、将诊断结果记录为日志保存至中心数据库,并根据诊断结果通知工作人员采取一系列防护措施。

5.存储介质,其特征在于,存储有程序,此程序被处理器执行时,实现权利要求1~4中任一项所述的工业控制系统异常检测的深度学习方法。

6.计算机设备,其特征在于,包括处理器及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现权利要求1~4中任一项所述的工业控制系统异常检测的深度学习方法。