基于图神经网络的多元时序数据异常检测方法研究

作     者：宁可 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：徐圆

授予年度：2024年

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] 0835[工学-软件工程] 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：多元时序数据 异常检测 Transformer 时空图卷积网络 

摘      要：随着工业生产过程日益复杂,生产规模不断扩大,对系统进行异常检测对于保障工业系统安全运行和降低维护成本具有重大意义。在实际工业系统收集到的时序数据中存在着多种异常类型,不同的异常类型呈现出不同的特征,如何设计一个能全面检测各种异常的方法仍是异常检测的一大难题。另外,工业时序数据有着高耦合性及时间关联性,如何有效地提取数据中的时空信息对提高异常检测性能至关重要。针对上述问题,本文的研究内容主要包含以下三个部分: (1)针对时序数据中存在的上下文异常,本文使用基于对抗训练的Transformer的重构异常检测方法。该方法通过捕捉多元时序数据的正常工况数据分布,从而准确理解和模拟数据的上下文结构并实现异常检测。 (2)针对时序数据中存在的点异常,本文提出基于时空图卷积(Spatial-Temporal Graph Convolution Network,STGCN)的异常检测方法。该方法通过构建时空融合图来表示时序数据中的局部时空依赖,改进多感受野的门控循环网络使其在能够处理图结构数据的同时还可以充分提取时序数据中的长期时间依赖关系。该方法对历史正常模式进行建模以预测未来值,并根据预测误差实现异常检测。 (3)为了全面检测工业时序数据中存在多种类型异常,本文提出了一种综合性异常检测方法Transformer-STGCN。该方法结合基于重构和基于预测的模型的各自的优点并解决其局限性。在异常判别阶段,综合考虑两个模型的误差作为异常得分,从而实现异常判别。在MSL、SMD、SWa T、WADI和SMAP数据集上展开实验验证该综合性异常检测方法的有效性。实验结果表明,与其他基线方法相比,Transformer-STGCN在各个数据集上均实现了较好的性能。