基于特征挖掘的设备异常响应实时检测方法

作     者：李翰霖 牛少彰 王茂森 史成洁 安洪旭 

作者机构：北京邮电大学计算机学院(国家示范性软件学院)北京100876 东南数字经济发展研究院浙江衢州324000 中国科学院信息工程研究所北京100195 

出 版 物：《人工智能》 (Artificial Intelligence View)

年 卷 期：2023年第4期

页      面：71-81页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080202[工学-机械电子工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：异常检测 实时性 数据挖掘 图偏差网络 一维卷积 

摘      要：工业传感器监测产生海量时序数据,对异常检测带来了两个挑战。一是数据维度和数据量的增多提高了算法时间复杂度,不利于实时监测。为了实时监测数据,需要异常检测算法在有限时间内处理大量的数据。二是在数据采集过程中,噪声是不可避免的,检查噪声数据对异常检测算法性能的影响对于提高分类器学习算法的可靠性是必要的。因此,本文对数据进行分析挖掘,降低数据维度和数据量,提高异常检测实时性,并在图偏差网络上应用一维卷积,提取时间序列的高级特征,提高异常模型的抗噪能力。在六级水处理模型SWaT数据集上的实验结果表明,本文异常检测方法在测试集上精确率、召回率、F1值总体优于传统异常检测方法,且能有效避免噪声干扰,识别速度快,满足异常检测过程中的准确性和实时性,具有一定的应用价值。