基于设备行为识别图的工业设备异常行为检测方法与流程

技术特征：
1.一种基于设备行为识别图的工业设备异常行为检测方法，其特征在于，包括以下步骤：构建当前时刻的设备行为识别图，该设备行为识别图中节点为行为事件的属性，边为任意两个属性间的共现关系，每个边具有一权重；引入初始权重机制、权重平滑机制、时间影响机制和周期影响机制，对所述设备行为识别图的进行权重变换；通过一事件表征提取器捕获进行权重变换后的所述设备行为识别图的设备行为事件表征；将所述设备行为事件表征作为一经训练的多层感知机的输入，得到当前工业设备存在异常行为的概率。2.根据权利要求1所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述设备行为识别图基于清洗后的工业设备行为数据构建，所述工业设备行为数据的清洗包括：对于离散型数据，保留其数据取值的离散性；对于连续型数据，对各数据进行离散化操作。3.根据权利要求2所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述连续型数据包括时间、计数取值、百分比取值和经纬度。4.根据权利要求1所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述设备行为识别图进行权重变换的权重计算公式为：其中，ω
u,v
为节点u和v间边的权重，λ
u,v
为节点u和v间边的初始权重，s(
·
)表示平滑函数，κ(
·
)表示核函数，δ(
·
)表示周期函数，g为与边(u,v)相关的用户，t
h
是边(u,v)在时间t之前的出现时间。5.根据权利要求4所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述初始权重λ
u,v
基于预训练词向量确定，计算公式为：其中，和分别代表词向量和的第s维度的取值，词向量和为节点u和v在预训练词向量查询获得的对应向量。6.根据权利要求4所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述平滑函数s(
·
)的表达为：其中，α和θ为共同影响权重平滑程度的参数。7.根据权利要求4所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述核函数κ(
·
)的定义如下：
κ(t
‑
t
h
)：＝exp(
‑
β(t
‑
t
h
)其中，β为对时间衰减效应产生不同强度影响的参数。8.根据权利要求1所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述事件表征提取器基于网络表征学习算法构建，所述网络表征学习算法用于获取所述设备行为识别图中节点与向量表征的映射关系b
i
代表行为事件b中第i个字段。9.根据权利要求8所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述事件表征提取器捕获的事件表征为二阶特征的事件表征，表示为：其中，为一阶特征的事件表征，n为行为事件个数，b
j
代表行为事件b中第j个字段，ε
i
、ε
j
分别为第i、j个字段在生成事件表征过程中的权重，
⊙
表示hadamard积。10.根据权利要求1所述的基于设备行为识别图的工业设备异常行为检测方法，其特征在于，所述多层感知机训练时采用的损失函数表示为：其中，y代表训练过程中训练集数据的真实标签，代表训练过程中将训练数据判断为异常的概率，d是训练集，e代表训练集中每一个行为事件。

技术总结
本发明涉及一种基于设备行为识别图的工业设备异常行为检测方法，包括以下步骤：构建当前时刻的设备行为识别图，该设备行为识别图中节点为行为事件的属性，边为任意两个属性间的共现关系，每个边具有一权重；引入初始权重机制、权重平滑机制、时间影响机制和周期影响机制，对所述设备行为识别图的进行权重变换；通过一事件表征提取器捕获进行权重变换后的所述设备行为识别图的设备行为事件表征；将所述设备行为事件表征作为一经训练的多层感知机的输入，得到当前工业设备存在异常行为的概率。与现有技术相比，本发明具有提高拦截异常行为的准确性和模型的鲁棒性等优点。行为的准确性和模型的鲁棒性等优点。行为的准确性和模型的鲁棒性等优点。


技术研发人员：王成 朱航宇 王朝栋
受保护的技术使用者：同济大学
技术研发日：2021.09.14
技术公布日：2022/1/3