一种基于图神经网络的工业过程异常检测方法

本发明属于时间序列异常检测领域，特别涉及一种基于图神经网络的工业过程异常检测方法。

背景技术：

1、工业系统在生产生活中应用广泛?？焖僮既返丶觳夤ひ迪低车囊斐Ｐ形浅Ｖ匾?，这使得人们可以及时采取措施从而消除潜在风险，避免因系统故障造成的经济和环境损失。然而，随着工业系统的升级，手工提取特征的异常检测越来越困难，工业系统上的异常检测任务非常具有挑战性。

2、工业系统产生的数据可分为连续数据和离散数据两类。连续数据通常包括各类传感器的观测值，离散数据通常包括工业系统中的控制器数据和执行器状态值等。连续数据和离散数据在数据形式和数据分布上有很大不同，传感器和执行器对工业过程的影响模式也不同，然而现有方法通常不对两种数据加以区分，这使得模型难以对连续数据和离散数据有针对性地提取数据特征，鲁棒性较低。

3、工业过程本质上是工业系统的物理、化学变化过程，通常工业系统中的变化非常复杂，难以直接观测工业系统的状态，因此需利用各类传感器采样，估计系统状态?；谕忌窬绲姆椒ㄔ诠ひ迪低骋斐＜觳饬煊蛉〉昧司薮蟪晒?，工业系统通常不具有可用的预定义图结构，现有方法直接将传感器和执行器作为节点，计算复杂度较高，节点间关联性差，且容易产生过拟合、欠拟合等问题。

4、大多数工业系统都可以用一系列动态变化的系统状态来表示，这些状态随时间不断演变，体现出系统内在的动力学规律。工业系统本质上是动态系统，这使得利用动态图结构对系统状态进行精确建模十分重要。与传统静态图不同，动态图可以更好地描述工业系统随时间变化的内在结构。现有方法通常使用简单的图拓扑学习层或概率模型来学习变量间的成对相关关系，构建的静态图忽略了工业系统中普遍存在的动态特性。捕捉系统模式的动态性是增强模型性能的关键，因此，如何给工业系统设计一种无监督的动态图学习策略来建模动态系统状态，是工业系统异常检测的一个关键挑战。

技术实现思路

1、针对上述工业系统异常检测的挑战，本发明提出了一种基于图神经网络的工业过程异常检测方法，提高对工业系统状态的建模能力，改进工业系统异常检测效果。

2、本发明包括以下步骤：

3、s1、通过工业系统中的传感器和执行器分别获取连续数据和离散数据，并进行预处理(包括数据分离以及归一化)，将数据集划分为训练集和测试集。

4、s2、基于训练集，通过编码器学习工业系统状态节点，学习到系统物理过程的动力学信息。

5、分别对预处理后的连续数据和离散数据进行编码，分别获得连续数据视角的系统状态节点和离散数据视角的系统状态节点，并分别采用相应的嵌入作为节点特征。形式上：

6、

7、

8、其中yt和ut分别是t时刻输入的连续数据和离散数据，是t时刻连续数据视角的系统状态嵌入，是t时刻离散数据视角的系统状态嵌入。ency和encu是编码器(例如由多层二维卷积神经网络构成的编码器，也可使用多层感知机等编码器)，同时提取序列中的时间依赖与序列间的空间依赖。学习到的系统状态嵌入用于构建工业系统的系统状态结构以及进行系统状态更新。

9、s3、根据工业系统状态节点，构建状态图结构，得到工业系统的关系矩阵。

10、工业系统状态图决定了工业系统状态之间的连接，并影响相邻节点间的信息传递和聚合。建模执行器行为对工业系统动力学的改变以及对传感器观测值的影响，考虑传感器和执行器对系统结构的共同作用，基于离散数据与连续数据对应的状态节点分别学习两种不同的图结构，分别计算状态节点嵌入间的相似性构成连续数据视角的状态图结构和离散数据视角的状态图结构，并对两个状态图结构进行稀疏化。

11、将稀疏化后的连续数据视角的状态图结构和离散数据视角的状态图结构相融合，形成最终的工业系统状态图，即工业系统的关系矩阵：

12、

13、其中gt是t时刻系统状态图邻接矩阵，和分别是t时刻连续数据和离散数据的状态图邻接矩阵?？墒褂弥苯酉嗉拥姆绞蕉粤葑刺己屠肷⑹葑刺冀腥诤?，也可使用相乘等方式进行融合。

14、s4、基于关系矩阵，利用多层图卷积网络进行工业系统状态节点更新。

15、根据系统动力学，使用图卷积网络(gcn)来实现系统状态的演化更新，进一步建模系统的动态性。利用多层图卷积网络根据关系矩阵进行传递和聚合状态节点特征，更新连续数据视角状态图和离散数据视角系统状态图，并使用跳跃连接将首层图卷积网络的输入和每层图卷积网络的输出进行融合，得到更新后的系统状态节点

16、s5、基于更新后的工业系统状态节点，由解码器获取预测值。

17、得到更新后的系统状态后，基于解码器获取对应的预测值。通过系统动力学的演化预测系统下一时刻的值，利用更新后的系统状态预测系统下一时刻的传感器和执行器值。形式上：

18、

19、

20、其中decy和decu是解码器(例如由多层二维反卷积构成的解码器，或使用多层感知机等)，将更新后的系统状态节点映射到连续数据和离散数据的值空间。和是连续数据与离散数据在t+1时刻对应的系统状态节点。为了得到t+1时刻的值，使用多层感知机(mlp)对解码器的输出进行变换，得到预测值。最小化预测值与真实值的偏差构造均方误差(mse)损失函数进行训练，以优化模型：

21、

22、式中和分别是连续数据和离散数据在t时刻的预测值，yt和ut是连续数据和离散数据在t时刻的真实值。损失函数描述了预测值与真实值之间的偏差，用于指导模型参数优化。

23、s6、根据解码器获取预测值，计算异常分数，判断工业系统的状态。

24、计算每个连续数据和离散数据在每一时间步上的预测偏差。不同数据可能具有不同的特性，对预测偏差进行稳健的归一化以增强模型的鲁棒性。公式如下：

25、

26、

27、其中和是第i连续数据或第i离散数据在t时刻的预测值，和是对应的真实值，|·|是绝对值符号。是序列i的中位数，是序列i的四分位距(iqr)。引入简单移动平均(sma)来滤除可能存在的噪声。最后使用最大值聚合对所有序列在t时刻的异常偏差进行聚合，得到最终的t时刻异常分数ξt。

28、

29、为了判断工业系统在t时刻上的异常，设置异常分数阈值ξthreold，若t时刻的异常分数大于异常分数阈值，则模型判断此时刻工业系统存在异常事件；若异常分数小于等于该阈值，则模型判断此时刻工业系统正常运行。

30、本发明有益效果：

31、本发明提出了一种无监督的工业系统异常检测技术。分别处理数据分布不同的连续数据和离散数据，避免了数据形式引起的干扰；使用多层卷积编码器分别从观测到的连续数据和离散数据中估计出系统状态节点，将系统状态表示作为节点解决了运算资源开销大复杂度高和关联性差的问题；引入动态的图学习策略，构建稀疏的系统状态图，解决系统状态图忽略系统动态性的问题；使用消息传递对系统状态进行更新，实现了工业系统动态建模；使用多层反卷积解码器和多层感知机输出预测值，并计算异常分数，实现了对工业系统异常状态的准确检测。