CN115098330B 基于云边协同模式的设备异常检测系统及方法 （重庆大学）

detectionmethodundercollaborationmodelbasedautoencoder.ThirdInternConferenceonAdvancedAl基于云边协同模式的设备异常检测系统及本发明具体涉及基于云边协同模式的设备务器将各个边缘节点故障检测模型的输出进行策信息下发至设备层以供设备层执行对应的动发明能够通过多个隐层维度不同的故障检测模2S201：获取样本数据集并进行数据预处理，进而S204：通过混沌策略初始化剩余各个故S205：通过鲸鱼优化算法求解最优的重建误差故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码层得边缘服务器将运行数据作为各个边缘节点故障检测模型的输入，并将云端在设备存在故障时通过实时运行数据和历史运故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码层得S3：边缘服务器将运行数据作为各个边缘节点故障S4：云端在设备存在故障时通过实时运行数据和历3式中：FAR表示误报率；MAR表示漏报率；TP表示故障检测通过动态递变的AP值代替鲸鱼优化算法原有的固AP＝min_AP+max_AP*t/t14维飞行函数；γ为系数常量；a3表示非线性的收敛因子；φ表示莱维飞行的步长；Γ表示58.如权利要求3所述的基于云边协同模式的设备异常检测方法，其特征在于：步骤S36节点将采集到的量测数据以时间序列形式，通过并行化的本地计算服务进行大数据处理，学习检测设备异常方面取得了良好的应用成效，但以LSTM-AE模型为代表的计算原时间序设计一种能够提高设备异常检测的实用性和准确性的方法是亟需解决7[0011]故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码[0012]边缘服务器，具有多个分别用于从云端下载对应故障检测模型的并行的边缘节[0020]故障检测模型为将双向长短时记忆网络嵌入至变分自动编码器的编码层和解码8而得到故障检测模型kj及其对应的重建误差权重残差阀值权重和残差阈第t和t+1次迭代的位置；是从当前种群中随机选择的个体；D表示个体迭代移动距9、"分别表示座头鲸i在第t[0069]式中：Lossi表示K个故障检测模型对运行数据的时序数据Xi的综合重建误差；lossj,i表示第j个故障检测模型kj对运行数据的时序数据Xi的重建误差；表示故障检测[0072]式中：δj表示故障检测模型kj的残差阈值；表示故障检测模型kj的残差阀值权多个布置在边缘服务器的并行边缘节点且隐层维度不同的故障检测模型之间的集成互补责故障状态下应急处理的工作模式，不仅能够减少边缘服务器与云中心之间交互的数据产现场设备的实时控制响应速度，避免云计算中心处理计算任务的数据量与复杂度过高，施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施[0099]本实施例中，通过对生产现场部署用于采集执行终端数据的传感器(工业相机、[0101]故障检测模型为将双向长短时记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)嵌入至变分自动编码器(VariationalAuto-Encoder,VAE)的编码层和解[0103]边缘服务器，具有多个分别用于从云端下载对应故障检测模型的并行的边缘(计率的频率向云端上传包含故障信息的运行数据作为实决策信息做出对应的现场决策，然后边缘服务器的边缘节点通过现场决策驱动PLC等控制多个布置在边缘服务器的并行边缘节点且隐层维度不同的故障检测模型之间的集成互补责故障状态下应急处理的工作模式，不仅能够减少边缘服务器与云中心之间交互的数据产现场设备的实时控制响应速度，避免云计算中心处理计算任务的数据量与复杂度过高，靠一个参数对前期全局搜索与后期局部寻优之间的转换进行调整，难以达到良好的平衡，[0116]因此，本发明通过动态递变的AP值代替鲸鱼优化算法原有的固定[0121]鲸鱼种群将根据彼此的位置进行猎物的包围。表1展示了收缩包围猎物阶段鲸鱼群聚化现象导致鲸鱼位置的种群多样性降低，从而能够辅助提高设备异常检测的准确性。对"分别表示座头鲸i在第t置进行随机扰动，随算法求解过程进行数值非线性衰减的系数A与a3调整随机扰动数值大[0152]长短期记忆网络(LongShortTermMemoryNetworks，LSTM)是RNN的优化模[0153]遗忘门(forgetgates)的作用是决定旧的状态信息Ct-1的丢弃部分。输出是与[0155]传入门的作用是决定ht-1和xt在cell中保存哪些信息，这主要分为两部分，[0164]双向长短时记忆网络(BiLSTM)结合了从序列起点到末尾移动的一个LSTM网络和一个从序列末尾向序列起点移动的LSTM网络，t时刻的输出综合考虑了历史若干输入信息[0166]Forward层和Backward层共同连接着输出层，结合两个LSTM网络每个时刻输出的再由解码层将隐藏层向量重构为n维输出数据训练过程以最小化输入Xi[0170]传统自动编码器易出现过拟合现象，变分自编码器(VAE)整体结构与自编码器AE态分布生成一个向量数据e＝{e1,e2...,em},最后执行公式得到最终的隐藏层特征向量Ci[0173]虽然VAE可以解决正常数据与异常数据的样本量失衡问题，但存在着难以识别正[0174]BiLSTM-VAE模型通过Xi和Yi的残差Lossi与重建阈值δ的大小比较进行异常判定，[0178]BiLSTM-VAE模型的超参数设置困难，不合适的超参数将导致模型诊断精度偏低、明显的问题。因此，本发明设置K个隐层维度不同的BiLSTM-VAE故障检测模型共同求取残个故障检测模型的重建误差在权重矩阵下的[0182]式中：Lossi表示K个故障检测模型对运行数据的时序数据Xi的综合重建误差；lossj,i表示第j个故障检测模型kj对运行数据的时序数据Xi的重建误差；表示故障检测[0185]式中：δj表示故障检测模型kj的残差阈值；表示故障检测多个布置在边缘服务器的并行边缘节点且隐层维度不同的故障检测模型之间的集成互补由确定性方程(内因)直接得到的具有随机性的运[0200]具体实施过程中，数据预处理包括Z-score标准化处理(同时使用独热编码one-hotencoding技术对故障标签进行离散数字化处理)和特征加强处理；特征加强处理时提漏报率的值越小说明故障检测模型的效果越佳；淘汰综合评价最末尾的K1个故障检测模[0213]由于深度学习模型与群智能进化算法(即故障检测模型)的训练与调试需要大量[0219]故障检测模型为将双向长短时记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)嵌入至变分自动编码器(VariationalAuto-Encoder,VAE)的编码层和解决策信息做出对应的现场决策，然后边缘服务器的边缘节点通过现场决策驱动PLC等控制多个布置在边缘服务器的并行边缘节点且隐层维度不同的故障检测模型之间的集成互补责故障状态下应急处理的工作模式，不仅能够减少边缘服务器与云中心之间交互的数据产现场设备的实时控制响应速度，避免云计算中心处理计算任务的数据量与复杂度过高，靠一个参数对前期全局搜索与后期局部寻优之间的转换进行调整，难以达到良好的平衡，[0231]因此，本发明通过动态递变的AP值代替鲸鱼优化算法原有的固定[0236]鲸鱼种群将根据彼此的位置进行猎物的包围。表1展示了收缩包围猎物阶段鲸鱼第t和t+1次迭代的位置；是从当前种群中随机选择的个体；D表示个体迭代移动距群聚化现象导致鲸鱼位置的种群多样性降低，从而能够辅助提高设备异常检测的准确性。置进行随机扰动，随算法求解过程进行数值非线性衰减的系数A与a3调整随机扰动数值大[0267]长短期记忆网络(LongShortTermMemoryNetworks，LSTM)是RNN的优化模[0268]遗忘门(forgetgates)的作用是决定旧的状态信息Ct-1的丢弃部分。输出是与[0270]传入门的作用是决定ht-1和xt在cell中保存哪些信息，这主要分为两部分，[0279]双向长短时记忆网络(BiLSTM)结合了从序列起点到末尾移动的一个LSTM网络和一个从序列末尾向序列起点移动的LSTM网络，t时刻的输出综合考虑了历史若干输入信息[0281]Forward层和Backward层共同连接着输出层，结合两个LSTM网络每个时刻输出的再由解码层将隐藏层向量重构为n维输出数据训练过程以最小化输入Xi[0285]传统自动编码器易出现过拟合现象，变分自编码器(VAE)整体结构与自编码器AE态分布生成一个向量数据e＝{e1,e2...,em},最后执行公式得到最终的隐藏层特征向量Ci[0288]虽然VAE可以解决正常数据与异常数据的样本量失衡问题，但存在着难以识别正[0289]BiLSTM-VAE模型通过Xi和Yi的残差Lossi与重建阈值δ的大小比较进行异常判定，[0293]BiLSTM-VAE模型的超参数设置困难，不合适的超参数将导致模型诊断精度偏低、明显的问题。因此，本发明设置K个隐层维度不同的BiLSTM-VAE故障检测模型共同求取残个故障检测模型的重建误差在权重矩阵下的[0297]式中：Lossi表示K个故障检测模型对运行数据的时序数据Xi的综合重建误差；lossj,i表示第j个故障检测模型kj对运行数据的时序数据Xi的重建误差；表示故障检测[0300]式中：δj表示故障检测模型kj的残差多个布置在边缘服务器的并行边缘节点且隐层维度不同的故障检测模型之间的集成互补[0312]具体实施过程中，数据预处理包括Z-score标准化处理(同时使用独热编码one-hotencoding技术对故障标签进行离散数字化处理)和特征加强处理；特征加强处理时提漏报率的值越小说明故障检测模型的效果越佳；淘汰综合评价最末尾的K1个故障检测模[0325]由于深度学习模型与群智能进化算法(即故障检测模型)的训练与调试需要大量[0326]为了验证本发明提出的云边协同异常检测系统与BiLSTM-VAE-WOA算法(即故障检[0329]利用实验室设备数据和一个服务器硬盘数据集对所提方法的有效性和优越性进故障实时检测是大型IT数据设施的重大课题[0331]经过对算法参数的多次调整，最终发现按表4与表5设置BiLSTM-VAE模型与WOA算[0338]首先将异常检测集成框架与单个BiLSTM-VAE故障检测模型对数据的重建结果进行对比，分别选择正常数据集拟合度最高的BiLSTM-VAE1与在异常数据集上检测正确率最正常数据与异常数据的残差密度分布概率如图1[0341]为了进一步评估本文提出的方法，将异常检测集成框架与MSET、LSTM-AE、T-无法有效地检测这些故障，但是本发明的BiLSTM-VAE-WOA可以非常有效地识别三类故障，检测成功率指标达到100在检测轻微故障[0347]由图13可知，由于隐层维度的不同，使得BiLSTM-VAE1计算的残差相对偏小，同的BiLSTM-VAE进行训练，然后通过WOA算法与测试集