技术特征：
1.一种用于粮食存储的实时异常检测系统，其特征在于，包括以下步骤：步骤s1、收集粮食存储过程中各传感器收集的历史数据，并进行预处理；步骤s2、搭建实时异常检测系统使用的神经网络模型；选择生成对抗网络gan作为深度学习神经网络模型；采用自编码器ae构成gan的生成器和判别器；所述生成器用于生成趋于真实且正常的数据；所述判别器包括将真实数据与生成器生成数据区分开来的判别器1和判别器2；所述判别器1和判别器2共用一个生成器，分别构成自编码器ae1和ae2；步骤s3、对所述神经网络模型进行自编码器训练，并实行对抗训练；步骤s4、重复步骤s3，直至神经网络模型训练完毕，保存训练好的模型体系结构及参数；步骤s5、用户将预处理后的待检测数据投入神经网络模型，输出重构后的时间序列，根据重构后的时间序列对异常得分进行区间调整；步骤s6、对获取的异常得分进一步进行点调整，并对异常点进行标记，实时发出警报。2.根据权利要求1所述的一种用于粮食存储的实时异常检测系统，其特征在于，所述步骤s1中对历史数据进行预处理具体方法包括：首先将获取的传感器历史数据进行时间戳对齐，并且进行缺失值填补；对填补后的数据进行归一化处理，利用滑动窗口对数据进行分窗处理，预处理完毕。3.根据权利要求1所述的一种用于粮食存储的实时异常检测系统，其特征在于，所述步骤s2中神经网络模型包括三个部分：编码器网络e、解码器网络d1和解码器网络d2，所述d1和d2共用一个编码器网络e，具体表示如下：ae1(w)＝d1(e(w))，ae2(w)＝d2(e(w))其中w代表一定时间窗口内的输入数据。4.根据权利要求3所述的一种用于粮食存储的实时异常检测系统，其特征在于，所述步骤s3中对神经网络模型进行的训练包括以下两个阶段：步骤s3.1、给定正常输入，训练自编码器ae1和ae2，重构输入数据w；自编码器输出分别表示为ae1(w)和ae2(w)；则输入w和自编码器输出之间的误差如下：(w)；则输入w和自编码器输出之间的误差如下：步骤s3.2、对自编码器ae1和ae2进行对抗训练；将来自ae1的数据由编码器e压缩到潜在空间z，再由ae2重构，得到重构后的输出为ae2(ae1(w))，在对抗训练策略下，目标是训练ae2以区分来自ae1的真实数据，并训练ae1欺骗ae2，则ae1期望最小化w和ae2(ae1(w))之间的差异，ae2期望最大化w和ae2(ae1(w))之间的差异，具体目标函数表示如下：步骤s3.3、融合阶段1和阶段2，最终目标函数如下：
其中n表示迭代次数。根据所述的最终目标函数，利用梯度下降算法对编码器网络e以及两个解码器网络d1和d2的参数进行更新。5.根据权利要求4所述的一种用于粮食存储的实时异常检测系统，其特征在于，所述步骤s5中，定义异常得分如下：其中α+β＝1；通过分别调节α，β两个参数，调节模型的异常敏感程度，当α＜β时设定为高检测灵敏度场景，当α＞β时，设定为低检测灵敏度场景；区间调整即根据具体的应用场景调整异常得分定义中α，β两个参数的具体数值；最终，基于设置的调节参数α，β和输入模型后生成的重构数据，计算待检测点的异常得分。6.根据权利要求5所述的一种用于粮食存储的实时异常检测系统，其特征在于，所述步骤s6中，对获取的异常得分进一步进行点调整，并对异常点进行标记的具体方法如下：步骤s6.1、确认标注数据，以0表示该数据点正常，以1表示该数据点异常，将连续异常的数据点划分为异常段；步骤s6.2、计算每个数据点的异常得分，以0.5为阈值，当数据点异常得分不低于0.5时，该数据点判断为异常，逐点报警point-wise alert记为1；当数据点异常得分低于0.5时，该数据点判断为正常，point-wise alert记为0；步骤s6.3、对point-wise alert进行调整；判断标注数据中异常段对应的逐点报警point-wise alert，在异常段对应的区间内，存在一个点的point-wise alert为1，则将该异常段内所有的point-wise alert均调整为1；当异常段内所有数据点的point-wise alert均为0时，将该异常段内所有的point-wise alert均调整为0；在异常段外，point-wise alert不进行调整；由此获得调整后的报警结果adjuested alert，即为最终更新后的异常检测结果。
技术总结
本发明公开了一种用于粮食存储的实时异常检测系统，首先收集粮食存储过程中各传感器收集的历史数据，并进行预处理；然后搭建实时异常检测系统使用的神经网络模型并对模型进行自编码器训练和对抗训练；然后将预处理后的待检测数据投入神经网络模型，输出重构后的时间序列，根据重构后的时间序列对异常得分进行区间调整；最后对获取的异常得分进一步进行点调整，标记异常点，实时发出警报；本发明采用两阶段对抗性训练框架内形成的自编码器体系结构，一方面，通过训练能够识别输入数据是否包含异常数据，克服自编码器的固有限制，从而执行良好的重构；另一方面，AE架构体系在对抗训练期间具有获得稳定性，解决了GAN模型遇到的崩溃和非收敛模式问题。崩溃和非收敛模式问题。崩溃和非收敛模式问题。
技术研发人员：曹杰 刘金良 王昌辉 查利娟 申冬琴 张洋 陈志杰
受保护的技术使用者：云境商务智能研究院南京有限公司
技术研发日：2022.03.09
技术公布日：2022/6/28