發(fā)布時間：2021-11-15 03:35

　　在工業(yè)互聯(lián)網(wǎng)的環(huán)境下,自動有效的異常檢測方法對工業(yè)系統(tǒng)的安全、穩(wěn)定生產(chǎn)具有重要的意義。傳統(tǒng)的異常檢測方法存在需要大量標注樣本、不適應高維度時序數(shù)據(jù)等不足,提出一種基于LSTM自動編碼機的工業(yè)系統(tǒng)異常檢測方法。為克服現(xiàn)有方法依賴標注樣本的不足,提出采用自動編碼機,通過無監(jiān)督的方式學習大量正常樣本的特征和模式,在此基礎上通過對樣本進行重構(gòu)和計算重構(gòu)誤差的方式進行異常檢測。其次,為克服現(xiàn)有方法不適應高維度時序數(shù)據(jù)的不足,提出采用雙向LSTM作為編碼器,進而挖掘多維時序數(shù)據(jù)的潛在特征�；谝粋�真實造紙工業(yè)的數(shù)據(jù)集的實驗表明,所提方法在各項指標上都對現(xiàn)有無監(jiān)督異常檢測方法有一定的提升,檢測的總體精度達到了93.4%。 

【文章來源】：電信科學. 2020,36(07)

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1 雙向LSTM的網(wǎng)絡結(jié)構(gòu)

(2）采用自動編碼機對樣本進行特征提取和樣本重構(gòu)。針對樣本的時序特性，自動編碼機采用LSTM作為編碼器和解碼器。(3）基于原樣本和重構(gòu)樣本的差異進行異常檢測。

基于LSTM的自動編碼機網(wǎng)絡結(jié)構(gòu)如圖3所示，為適應工業(yè)數(shù)據(jù)的時序特性，提出了一種基于LSTM的自動編碼機，其本質(zhì)上是一個深度神經(jīng)網(wǎng)絡，包括編碼器和解碼器兩部分。其中，編碼器融合了雙向LSTM網(wǎng)絡，RepeatVector層和Dense（全連接）層是為了使重建樣本與原樣本具有同樣的維度。其中，RepeatVector層的原理是將輸入重復若干次后輸出。4.4 異常檢測模塊


本文編號：3495946