CN119067225B 基于生成式反事实样本差异性的工控异常解释方法及系统 （齐鲁工业大学(山东省科学院)）

基于生成式反事实样本差异性的工控异常本发明涉及基于生成式反事实样本差异性控异常检测模型对数据集进行预测时输出的异集的多传感器时间序列样本来获得特征重要性2根据工控异常检测模型预测异常得分结果，通过异常得分结果以将原始时间序列数据集作为输入，工控异常检测模型输出的异常收集工控异常检测模型对数据集进行预测时输出的异常阈值通过比较反事实样本与原始收集的多传感器时间征重要性分数大小代表了特征对异常检测模型预测检测结果的在异常得分嵌入模块中，用一个线性层对要输入的异常得分行一嵌入后的异常得分与编码器输入张量进行合并，编码器包括三层的式(聂)中，CombinedE代表合并原始时间序列数据集后的张量，用作编码器的输入，式(Ⅲ)中，μ,σ为编码器输出的均值和对数标准差，Sample代表采样操作，Encoder3将解码器的输出结果输入到重参数化采样模块，将随机采样过程2.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征假设在工业控制系统中，定义数据集xi∈RT×D表示D个设备以及时间步长T上获取的测3.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征在每个训练迭代中,条件变分自编码器接收输入数据x和条件信息score；异常得分嵌每次迭代后,通过反向传播计算梯度,并使用Adam优化器更新条件变分自编码器的参4.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征2)5.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征基于训练好的条件变分自编码器，假设条件变分自编码器能够接受原4将调整后的异常阈值thr*与原始样本xi一同输入到训练好的条件变分自编码器中；在事实样本在特征上做最小的改动使条件变分自编码器预测结果发生翻转，特征上做最小的改动，是指：y"=0转变为"=l。6.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征得特征间的差异性；利用独立样本T检验对原始样本和生成的反事实样本的每个特征进行步骤2：依据原始样本和生成的反事实样本之间的差异性来获得每一个特征的重要性通过T统计量分布表查找对应的P值；T统计量分布表也称为学生t分特征预测重要性计算出每个特征对于预测结果的影响程度，得到真实的预测值与实际的预测值之后，对每个特征对预测的影响程序进行归一化操作,5prepre最后，进行加权求和作为最终的特征重要性值，形成差异谱系，具构建特征重要性矩阵，特征重要性矩阵是一个二维7.根据权利要求1所述的基于生成式反事实样本差异性的工控异常解释方法，其特征8.根据权利要求1_7任一所述的基于生成式反事实样本差异性的工控异常解释方法，工控混合数据集获取及预处理模块，被配置为：根据工控异常检测异常阈值预测模块，被配置为：收集工控异常检测模型对数据工控异常解释模块，被配置为：通过比较反事实样本与原始收集的多传感6在异常得分嵌入模块中，用一个线性层对要输入的异常得分行一嵌入后的异常得分与编码器输入张量进行合并，编码器包括三层的式(Ⅱ)中，CombinedE代表合并原始时间序列数据集后的张量，用作编码器的输入，式(Ⅲ)中，μ,σ为编码器输出的均值和对数标准差，Sample代表采样操作，Encoder将解码器的输出结果输入到重参数化采样模块，将随机采样过程7[0006]本发明旨在解决当前工业控制系统异常检测和解释方法8[0013]3、异常得分：是在异常检测任务中用于量化数据点偏离正常模式程度的数值指[0015]5、工控异常检测模型：是一种专门用于工业控制系统（IndustrialControl9[0019]将原始时间序列数据集作为输入，工控异常检测模型输[0021]通过比较反事实样本与原始收集的多传感器时间序列样本来获得特征重要性分[0028]假设在工业控制系统中，定义数据集x,eRi"表示D个设备以及时间步长T上获[0039]式(Ⅲ)中，为编码器输出的均值和对数标准差，sample代表采样操作，变分自编码器的重建结果；得到隐变量Z；解码器通过式(Ⅲ),利用隐[0046]每次迭代后,通过反向传播计算梯度,并使用Adam优化器更新条件变分自编码器[0047]根据本发明优选的，条件变分自编码器的损失函数包括：重构误差和KL散度，l[0053]根据本发明优选的，收集工控异常检测模型对数据集进行预测时输出的异常阈[0058]将调整后的异常阈值thr"与原始样本一同输入到训练好的条件变分自编码器生成反事实样本在特征上做最小的改动使条件变分自编码器预测结果发生y"=0转变为"=1。来获得特征间的差异性；利用独立样本T检验对原始样本和生成的反事实样本的每个特[0062]步骤2：依据原始样本和生成的反事实样本之间的差异性来获得每一个特征的重异常检测模型预测结果，I代表所有特征的序列的集合，IIt}代表在全集中抹除特征的操[0075]val(i)=valme(i)-a-val,(i)（XI）;以及实用性有限等问题。这些挑战严重影响了异常检测技术在实际工控环境中的应用效[0096]将原始时间序列数据集作为输入，工控异常检测模型输[0098]通过比较反事实样本与原始收集的多传感器时间序列样本来获得特征重要性分[0101]根据实施例1所述的基于生成式反事实样本差异性的工控异常解释方法，其区别[0109]假设在工业控制系统中，定义数据集x,eRi"表示D个设备以及时间步长T上获[0120]式(Ⅲ)中，为编码器输出的均值和对数标准差，sample代表采样操作，变分自编码器的重建结果；采样过程转化为一个确定性的函数,接受一个随机噪声作为输入；目的是保证CVAE模型采得到隐变量Z；解码器通过式(Ⅲ),利用隐[0127]每次迭代后,通过反向传播计算梯度,并使用Adam优化器更新条件变分自编码器PCA可视化结果示意图；图3为本发明条件变分自编码器重构样本的T_SNE可视化结果示意分score(x;)和异常阈值thr；[0141]将调整后的异常阈值thr"与原始样本一同输入到训练好的条件变分自编码器生成反事实样本这个过程在模型的生成模式下进行，确保不会改变模型参指：y"=0转变为"=1。异常检测模型决策的贡献度；利用高维特征提取技术从原始样本中获取全面的特征表示，特征差异矩阵是一个二维数组，其中行表示不同的样本对（原始样本和对应的反事实样来获得特征间的差异性；利用独立样本T检验对原始样本和生成的反事实样本的每个特意义。定义独立样本T检验的假设如下：零假设（H0两组样本的均值相等；备择假设计算时间序列特征的重要性分数表示p值结[0145]步骤2：依据原始样本和生成的反事实样本之间的差异性来获得每一个特征的重有过多不期望的解释结果(比如模型只偏向于更异常检测模型预测结果，I代表所有特征的序列的集合，IIt}