一种基于数据驱动模型的异常检测框架动态重构方法

本发明涉及异常检测的阶段性动态重构方法，尤其是一种基于数据驱动模型的异常检测框架阶段性动态重构方法。

背景技术：

1、随着当下导弹、航天器等设备的技术、材料、设计的革新，基于专家门限、专家规则等专家知识的传统异常检测模式，虽然不依赖设备运行的真实数据，但需要专家投入巨大的人力成本与时间成本，且愈发难以有效覆盖所有异常类型，在实际工程中的应用局限性日益显现。为突破传统模式的局限性，基于数据驱动模型的异常检测方法被引入到异常检测任务中。该类方法采集、处理、融合设备运行数据结合多种检测算法进行设备异常检测。该检测模式下，各数据驱动模型通过设备前期运行阶段所积累的海量历史数据进行自主学习，进而基于挖掘到的设备历史正常/异常工况检测参数特征构建设备当前运行状态的异常检测机制。

2、通常，基于数据驱动模型的异常检测方法采用无监督/有监督方法构建。基于无监督的异常检测方法，采用正样本数据的内在结构、分布和统计特征作为异常检测指标，通过比较待检测数据点与其周围数据点的关系来判别正异常值。基于有监督的异常检测方法则是提取海量正异常样本数据特征和局部关联信息作为设备正异常工况的分类依据，相较于无监督的异常检测方法，该类方法可更深入挖掘数据中的异常点且对已知类别的故障有较好的检测结果。综上，基于无监督的数据驱动方法以数据内在结构与统计性质作为检测依据；基于有监督的数据驱动方法则是挖掘海量已标记数据异常特征和模式作为检测判据。然而，部分设备在初始运行阶段的真实数据不足以支持基于有监督的异常检测方法，导致在设备运行初始阶段的检测效果不理想。一方面，基于无监督的异常检测方法一般需要大量正常工况下的检测数据作为初始训练样本，若训练样本不足容易导致检测模型受到检测参数局部周期性变化和噪声的干扰，使得模型的鲁棒性差、检测虚警率高；另一方面，基于有监督学习的异常检测方法，不仅需要设备正常运行数据，还需要足量异常数据作为支持模型训练的负样本，然而导弹、航天器等设备由于故障边缘表征模糊、故障发生频率偏低，难以通过有限的人工判读经验和短暂的数据累积过程，满足模型训练的样本规模需求。因此为了解决运行初期，数据的有限规模和正异常数据标签人工判读的难度等带来的应用限制，在设备运行初期采用基于无样本的异常检测方法，并将异常检测结果作为样本标签。当积累足量设备运行数据后，动态重构异常检测方法为面向足量样本的无监督或有监督异常检测方法。

3、基于上述实际工程需求分析和已有相关方法的应用缺陷，本发明提出一种基于数据驱动模型的异常检测框架动态重构方法，该方法在设备运行初期使用无监督方法自动添加数据标签以降低人工成本；在足量样本阶段融合无监督/有监督两类方法，提供更全面的异常检测性能；此外，由于无监督方法较于有监督方法对未知异常工况有更好的检测能力，足量样本阶段融合两类方法亦可提高检测模型对设备未知工况的异常检测鲁棒性。

技术实现思路

1、本发明为解决在实际工程应用中设备运行早期数据量不足的问题，提供了一种基于数据驱动模型的异常检测框架动态重构方法。本方法可实现在新型设备运行不同阶段，检测方法的动态重构，解决设备上线初期，检测模型缺乏训练样本以及检测数据更新的异步性问题，构建设备运行全周期有效的检测机制，保障设备中长期的平稳运行。

2、所述的基于数据驱动模型的异常检测框架动态重构方法主要面向快速迭代更新的设备。具体而言，该方法首先利用多种面向无样本的统计学异常检测方法检测设备运行状态，再融合不同异常检测方法的检测结果自动补充样本正异常标签，作为后续足量样本阶段数据驱动模型的训练样本；当积累足够样本后，即样本新颖性基本稳定后，将积累的样本用于数据驱动模型的训练与异常检测，最后加权融合不同阶段检测方法的结果分数，获得最终的异常检测结果，所述的基于数据驱动模型的异常检测动态重构方法为设备提供全生命周期的异常检测机制，保障设备稳定运行。

3、本发明的特点是：

4、(1)所述基于数据驱动模型的异常检测框架动态重构方法，在设备运行的初始阶段，使用d-s理论融合多种面向无样本的统计学异常检测方法的异常分数，并作为后续基于无监督/有监督模型的异常检测方法的训练样本，提高样本添加标签的效率与准确性；

5、(2)所述基于数据驱动模型的异常检测框架动态重构方法，提出一种评估样本新颖度的方法，并将该方法作为从前期基于无监督的异常检测方法重构到后期有监督异常检测方法的评价依据

6、(3)所述基于数据驱动模型的异常检测框架动态重构方法，针对不同阶段数据量，使用内部异常分数自主融合方法，无需专家等工作人员提供更多的额外信息或人力工作，能够实现最终异常检测分数自主融合。

技术特征：

1.一种基于数据驱动模型的异常检测框架阶段性动态重构方法，其特征为：所述的基于数据驱动模型的异常检测框架动态重构方法主要面向快速迭代更新的设备，利用数据驱动进行模型训练，加权融合不同阶段检测方法的结果分数，获得最终的异常检测结果。

2.根据权利要求1，所述的基于数据驱动模型的异常检测框架动态重构方法，其特征为：在设备运行的初始阶段，使用d-s理论融合多种面向无样本的统计学异常检测方法的异常分数，并作为后续基于无监督/有监督模型的异常检测方法的训练样本，提高样本添加标签的效率与准确性。

3.根据权利要求1，所述的基于数据驱动模型的异常检测框架动态重构方法，其特征为：提出一种评估样本新颖度的方法，并将该方法作为从前期基于无监督的异常检测方法重构到后期有监督异常检测方法的评价依据。

4.根据权利要求1，所述的基于数据驱动模型的异常检测框架动态重构方法，其特征为：针对不同阶段数据量，使用内部异常分数自主融合方法，无需专家等工作人员提供更多的额外信息或人力工作，能够实现最终异常检测分数自主融合。

技术总结
本发明公开一种基于数据驱动模型的异常检测框架阶段性动态重构方法，所述的基于数据驱动模型的异常检测框架动态重构方法主要面向快速迭代更新的设备，检测设备运行状态，再积累足够样本用于数据驱动模型的训练与异常检测，最后加权融合不同阶段检测方法的结果分数，获得最终的异常检测结果。所述的基于数据驱动模型的异常检测动态重构方法为设备提供全生命周期的异常检测机制，保障设备稳定运行。

技术研发人员：于劲松,颜湖诚,徐洁,周金浛,唐荻音
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/2/1