一种基于深度强化学习的数据异常检测方法与流程

本发明涉及数据检测，具体涉及一种基于深度强化学习的数据异常检测方法。

背景技术：

1、设备（如传感器）在运行的过程中，会产生大量的实时数据信息，此类实时数据信息时能够反映设备的运行状况的，因此，目前会通过对实时数据信息的检测来判定该设备是否处于正常的运行状态。

2、在当前，对设备的实时数据信息检测的过程中，对于出现异常的实时数据信息，通常将其对应的设备判定为异常的设备，当该异常的设备出现时，如何给该异常的设备提供适配的应急使用设备，以确保生产车间、生产线等作业区间运行的正常；

3、并且，在检测的过程中，为了进行便捷检测，会存在每一个检测设备对应一个设备进行检测的情况，多个检测设备的对应使用，会产生极大的资源损耗，如何对设备的检测做出合理的规划，以在降低资源损耗的同时，实现合理的检测作业且保障作业区间稳定运行是目前需要解决的问题。

技术实现思路

1、针对现有技术所存在的上述缺点，本发明提供了一种基于深度强化学习的数据异常检测方法，能够有效解决现有技术中多个检测设备的对应使用，会产生极大的检测资源损耗，不便对设备数据异常的检测做出合理规划的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、本发明提供一种基于深度强化学习的数据异常检测方法，包括如下步骤：

4、s1、设定检测区域及确定其对应的检测设备，将检测设备标记为初始检测设备并获取其所检测的数据信息，且生成数据集；

5、s2、确定检测区域内的备用检测设备，依据备用检测设备对检测区域执行复检并生成复检集，并设定测试设备，使其对检测区域进行检测并生成实时数据，通过数据集、复检集以及实时数据进行核验以判定是否存在异常的数据信息，当存在时，将其标记为异常集；

6、s3、基于异常集执行设备切换指令，以备用检测设备切换初始检测设备并生成替向检测队列；

7、s4、基于替向检测队列延展检测区域并获取检测设备，以生成次向检测区域，依据次向检测区域即其对应的初始检测设备重新生成数据集，并重复执行s2-s3步骤；

8、s5、当次向检测区域内缺少对应的备用检测设备时生成限制区，在替向检测队列中确定向限制区内调入执行检测作业的备用检测设备，以重复执行s2-s3步骤。

9、进一步地，所述检测区域确定时：

10、确定初始检测设备所检测的数据信息并生成数据集；

11、依据备用检测设备对检测区域执行复检生成检测数据，并由检测数据形成复检集；

12、设定测试设备，依据测试设备对检测区域执行检测作业并生成实际数据；

13、通过数据集、复检集以及实际数据进行核验判定是否存在异常的数据信息。

14、进一步地，当判定存在异常的数据信息时，将异常的数据信息标记为异常集，其中：

15、确定异常集所对应的初始检测设备，且由此生成设备切换指令并执行，以备用检测设备切换初始检测设备，并生成替向检测队列，通过替向检测队列内的备用检测设备执行数据检测作业。

16、进一步地，所述替向检测队列生成时，设置监测时间限定阈值，依据备用检测设备的监测状态判定监测时间限定阈值。

17、进一步地，设定检测区域时，确定检测区域内的检测设备，并将检测设备的数量设定为检测数量阈值，其中：

18、延展检测区域时，以替向检测队列进行延展并重新生成检测区域；

19、确定检测数量阈值与替向检测队列内备用检测设备之间的差值，基于差值以确定延展检测区域所需要获取的初始检测设备，并重新执行检测作业。

20、进一步地，所述s5中，当次向检测区域内初始检测设备缺少对应的备用检测设备时：

21、确定替向检测队列中备用检测设备的监测时间限定阈值，并对替向检测队列中的备用检测设备进行序列，由此在替向检测队列中优先确定向限制区内调入执行检测作业的备用检测设备，并重复执行s2步骤。

22、进一步地，所述监测时间限定阈值的设定方法如下：

23、确定备用检测设备的监测状态，基于监测状态获得监测分数，其中，监测分数的计算公式如下：式中，为监测分数，为备用检测设备的总监测项数，为备用检测设备材质的数值，为备用检测设备的异常次数，为备用检测设备的维修次数，为维修次数的时间和，为备用检测设备的使用时间，为常数，取值1；

24、根据监测分数生成监测时间限定阈值，其中：

25、监测时间限定阈值的判定公式如下：

26、式中，a为30h，b为24h，c为18h，d为9h，e为2h。

27、本发明提供的技术方案，与已知的现有技术相比，具有如下有益效果：

28、1、通过预先划定检测区域，使初始检测设备、备用检测设备及测试设备检测生成对应的数据信息，以确定异常的数据信息，以此判定其所对应的初始检测设备或备用检测设备，以此实现对检测区域内异常的初始检测设备或备用检测设备进行替换或处置，便于对运行设备持续性的状态监测，同时对初始检测设备或备用检测设备的资源实现合理规划利用。

29、2、通过结合初始检测设备或备用检测设备的检测结果，以此不断的学习、改变预先的检测区域来形成次向检测区域，以通过不同的时间段对次向检测区域执行相应的检测作业，以提升目前对初始检测设备或备用检测设备异常的检测精度，同时对区域内的运行设备实现更为完善的检测作业。

技术特征：

1.一种基于深度强化学习的数据异常检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度强化学习的数据异常检测方法，其特征在于，所述检测区域确定时：

3.根据权利要求1所述的一种基于深度强化学习的数据异常检测方法，其特征在于，当判定存在异常的数据信息时，将异常的数据信息标记为异常集，其中：

4.根据权利要求1所述的一种基于深度强化学习的数据异常检测方法，其特征在于，所述替向检测队列生成时，设置监测时间限定阈值，依据备用检测设备的监测状态判定监测时间限定阈值。

5.根据权利要求1所述的一种基于深度强化学习的数据异常检测方法，其特征在于，设定检测区域时，确定检测区域内的检测设备，并将检测设备的数量设定为检测数量阈值，其中：

6.根据权利要求4所述的一种基于深度强化学习的数据异常检测方法，其特征在于，所述s5中，当次向检测区域内初始检测设备缺少对应的备用检测设备时：

7.根据权利要求4所述的一种基于深度强化学习的数据异常检测方法，其特征在于，所述监测时间限定阈值的设定方法如下：

技术总结
本发明涉及数据检测技术领域，具体涉及一种基于深度强化学习的数据异常检测方法。包括获取初始检测设备的数据信息且生成数据集；依据备用检测设备对检测区域复检并生成复检集，设定测试设备对检测区域进行检测生成实时数据，核验判定是否存在异常的数据信息，当存在时，将其标记为异常集；备用检测设备切换初始检测设备并生成替向检测队列；延展检测区域并获取检测设备，生成次向检测区域，当缺少备用检测设备时生成限制区，确定向限制区内调入执行检测作业的备用检测设备。通过确定异常的数据信息，以实现对检测区域内异常的初始检测设备或备用检测设备进行替换或处置，便于对运行设备持续性的状态监测。

技术研发人员：李保平,谢超,陈木辉,黄念梅,戴思敏,陈峰
受保护的技术使用者：广州汇通国信科技有限公司
技术研发日：
技术公布日：2024/1/15