CN109871002A - 基于张量标签学习的并发异常状态识别与定位*** - Google Patents

Abstract

一种基于张量标签学习的并发异常状态识别与定位***，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习***、预测张量标签信息融合模块和预测结果评级模块，本发明利用高维的张量标签将异常状态的识别与定位统一到张量学习的框架中，将完整异常状态信息为到异常状态张量中，综合评价异常状态诊断***对异常状态的认知。利用张量标签学习进行异常状态识别与定位，对工业***和控制***的异常状态进行精确的状态、位置以及类别的判定，进行快速完整的态势和威胁估计，从可以对***安全的异常状态威胁进行完整、高效、精确的处理。

Description

基于张量标签学习的并发异常状态识别与定位***

技术领域

本发明涉及的是一种机器识别领域的技术，具体是一种基于张量标签学习的并发异常状态识别与定位***。

背景技术

并发异常状态是多种独立异常状态(Independent fault)的集合，但与每个独立异常状态都不同，因为工业***是一个整体，单异常状态模式会融合到一起，产生新的模式和新的现象，而且这些异常状态会相互作用、相互影响，这就给异常状态的识别造成了极大的难度。数据驱动的并发异常状态诊断是基于观察到的模式或数据，用于检测同时发生的多个独立异常状态。

为了使机器学习算法能够处理工业***的并发异常状态识别，需要克服两个挑战。第一，单异常状态的模式混合到一起组合出并发异常状态的模式，这些模式不仅是模式的加权而是会产生新的数据模型，从混合的模式里识别出模式的组合具有极高的难度。第二，由于单个异常状态的组合次数较多，因此获取大量并发异常状态的样本数据集成本很高，从而产生了许多可能的并发异常状态训练模式，并发异常状态的类型呈指数型增长。当存在10个单一异常状态，则同步异常状态类将变为1024级，无法通过机器学习进行加标签训练，即“并发异常状态类型灾难”。为目标域建立一个基于学习的模型几乎是不可能的，因为目标域的标记数据很少，难以用于监督学习。因此，将传统的机器学习方法应用于并发异常状态诊断是受到限制的。

监督学习的核心是训练数据具有标签，但用标签来描述工业***的异常状态时，现有的标签方法具有很大的局限。异常状态的识别、定位的信息在编码方法、存储格式、数据特征等方面不尽相同。基于数据挖掘的异常状态诊断的挖掘出的信息，例如，异常状态位置、异常状态类型、异常状态程度等信息数据在形式与标识上都存在显著差异。

发明内容

本发明针对现有机器学习算法在并发异常状态识别与定位中的不足，提出一种基于张量标签学习的并发异常状态识别与定位***，利用高维的张量标签将异常状态的识别与定位统一到张量学习的框架中，将完整异常状态信息为到异常状态张量中，综合评价异常状态诊断***对异常状态的认知。利用张量标签学习进行异常状态识别与定位，对工业***和控制***的异常状态进行精确的状态、位置以及类别的判定，进行快速完整的态势和威胁估计，从可以对***安全的异常状态威胁进行完整、高效、精确的处理。

本发明是通过以下技术方案实现的：

本发明涉及一种基于张量标签学习的并发异常状态识别与定位***，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习***、预测张量标签信息融合模块和预测结果评级模块，其中：异常状态数据预处理模块采集来自工业***的原始数据结构化和标准化处理后输出标准数据至高维张量标签模块，高维张量标签模块对标准数据进行加标签处理并生成***状态信息张量后分别输出至张量切片与运算模块和预测结果评级模块，张量切片与运算模块对***状态信息张量进行压缩处理并输出降维后的张量信息至机器学习***，机器学习***分别通过模式识别算法进行异常状态识别得到故障类型标签、通过特征选择算法进行异常状态定位得到故障位置标签，预测张量标签信息融合模块通过对两种标签融合得到预测标签张量，预测结果评价模块根据预测标签张量与***状态信息张量中的原始标签张量进行张量对比运算，得到使用精度，从而实现异常交易状态识别与定位精度。

所述的工业***，是指具有输入输出参数，并且能够完成一定生产功能的***，包括但不限于：冶金***、电力***、航天***、计算机网络与软件***等。

所述的***状态信息张量包括：***状态数据的原始标签张量、异常状态数据的类型信息与异常状态位置信息。

所述的结构化和标准化处理是指：将原始数据，即变量数据调整为矩阵进行特征扩展和归一化处理并得到标准数据，具体为：

i)将变量数据调整为矩阵X_{f nx×nv}，其中：nv是过程变量或特征的数目，采样时间为ts。过程数据矩阵由工业***采集的原始数据组成，结构化后的矩阵特征X_f是根据过程的条件来描述，其中：ns是样本数目。

ii)为了包含更多的***信息，需要扩展特征并找出能够更好地描述每个过程状态的统计属性。这些扩展的特征将会被添加到每个过程样本的属性中。由此得到的新数据集的特征数目多于原始数据集X，但样本数不变；将m个周期的状态为状态矩阵形式X_f并归一化处理得到 其中：代表X_f所有样本数据的均值，σ代表X_f的标准差。

所述的加标签处理具体包括：

①标量标签y_ns＝i,i∈N，其中：标签的输出是时间序列的，因此，***状态随时间t变化的标签输出是标签维度加入时间t维度的输出：

②向量标签：一个标签同时记录了多个不同的***状态，标签形式为Y_i＝{y₁ …y_nc}，向量标签输出：

③矩阵标签：一个标签不仅记录了多个不同的***状态，而且记录了各个传感器的位置信息，标签形式为矩阵型标签流Y_tensor为三阶张量，是矩阵标签沿时间维度的拓展，其中：(Y_tensor)_i＝Y_i。

所述的机器学习***通过模式识别算法进行异常状态识别具体是指：使用有监督机器学习算法，如SVM，神经网络等算法，对带标签的工业过程数据进行训练学习，使得训练好的学习机能够检测识别工业过程中的异常数据，并确定故障类型。

所述的机器学习***通过特征选择算法进行异常状态定位具体是指：使用特征选择算法，如随机森林算法，ReliefF算法等，对工业正常工作数据及有标签异常数据进行建模，使得学习的模型能够通过历史数据筛选出造成***状态变化的关键特征点，找出故障原因，实现异常状态定位。

所述的故障类型标签是指工业***中各个单类型故障状态及多个故障同时发生的并发故障状态，通过向量标签进行表示，标签的每个位代表一种单故障状态，故障类型标签Y_i＝{y₁ … y_nc},yⁱ∈{0,1}，yⁱ＝0代表未发生该故障，yⁱ＝1代表发生该故障。用Y_i能够完整表示工业***的运行状态。

所述的故障位置标签是指导致工业***出现异常状态的故障点，通过向量标签进行表示，标签的每个位代表工业***的各个工作点，故障位置标签Y_i＝{y₁ … y_ns},yⁱ∈{0,1}，y_i＝0代表不是该点导致的***异常，y_i＝1表示是该点导致的***异常。

所述的标签融合是指：将故障类型标签与故障位置标签进行融合，从向量标签拓展到矩阵标签，在故障类型的基础上增加一维代表故障位置。Y_i＝{y₁ … y_nc},yⁱ∈{0,1}与Y_i＝{y₁ … y_ns},yⁱ∈{0,1}融合后的预测标签张量其中：(Y_i)_jk＝1代表在***发生了第j类故障，第k个点导致的***故障。

所述的张量对比运算是指：

使用精度为：F1_2

其中：Pre_l1代表查准率，Rec_l1代表查全率，H_m为实际的矩阵型标签流，D_m为预测出来的矩阵标签流，H_l1矩阵是实际的异常状态发生位置矩阵，下标l为定位(location)，1为一维定位，D_l1矩阵是定位***判断的异常状态位置信息矩阵，即向量标签流。

技术效果

与现有技术相比，本发明可以定量化的评价异常状态诊断***的异常状态的认知能力，实现海量、多源、异构信息的统一整合、信息为与统一评价。对并发***的异常状态，进行有效的识别与定位，并对识别与定位的精度进行统一的度量，进而可以根据度量的结果，对危害***安全的异常状态进行有效的消除。

附图说明

图1为本发明的整体结构图；

图2为实施例流程示意图；

图3为定位的精度度量示意图；

图4为识别与定位统一的精度度量示意图。

具体实施方式

如图1和图2所示，本实施例包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习***、预测张量标签信息融合模块和预测结果评级模块，其中：异常状态数据预处理模块采集来自工业***的原始数据结构化和标准化处理后输出标准数据至高维张量标签模块，高维张量标签模块对标准数据进行加标签处理并生成***状态信息张量后分别输出至张量切片与运算模块和预测结果评级模块，张量切片与运算模块对***状态信息张量进行压缩处理并输出降维后的张量信息至机器学习***，机器学习***分别通过模式识别算法进行异常状态识别得到故障类型标签、通过特征选择算法进行异常状态定位得到故障位置标签，预测张量标签信息融合模块通过对两种标签融合得到预测标签张量，预测结果评价模块根据预测标签张量与***状态信息张量中的原始标签张量进行张量对比运算，得到使用精度，从而实现异常交易状态识别与定位精度。

所述的异常状态数据预处理模块包括：数据结构化单元、数据标准化单元，其中：数据结构化单元与工业***各传感器数据相连并传输工业过程结构化数据，数据标准化单元与数据结构化单元相连并传输经过归一化后的工业化数据。

所述的高维张量标签模块包括：标量标签单元、向量标签单元、矩阵标签单元，其中：标量标签单元与工业***数据故障类别相连，并传输以标量表示的故障标签，向量标签单元与标量单元相连并输出单个标签位能够表示一类故障是否发生的向量标签，矩阵标签单元与向量标签单元相连并输出加入了故障位置信息的矩阵标签信息。

所述的张量切片与运算模块包括：张量切片与分解单元，其中：张量切片与分解单元与异常状态数据预处理模块及高维张量标签模块相连，并输出降维后的张量数据信息。

所述的机器学习***包括：故障识别单元、特征选择单元，其中：故障选择单元与张量切片运算模块相连，并输出故障类型标签信息，特征选择单元与张量切片与运算模块相连，并输出故障位置标签信息。

所述的预测张量标签信息融合模块包括：张量标签信息融合单元，其中：张量标签信息融合单元与机器学习***相连，并输出包含预测故障类型与位置信息的矩阵标签。

所述的预测结果评级模块包括：预测结果评级单元，其中：预测结果评级单元与预测张量标签信息融合模块及异常状态数据预处理模块相连，并输出异常状态识别与定位精度。

本实施例通过定位标签矩阵对定位进行定量化衡量。

所述的定位标签矩阵L1＝(l₁₁ … l_1nv)，其中：l₁₁为该标签位表示单故障类型是否发生异常状态，当发生异常状态则l_ij＝1,当没有发生异常状态则为零，L1向量就为出异常状态的位置，例如：L1＝(0 1 0)为第二个位置的变量发生了异常状态，然后，使用相应的特征选择算法以得到异常状态的定位，评价预测输出D与实际异常状态位置H的关系，就可以定量化的评价异常状态定位。异常状态定位矩阵可以是二维或者是高维的，从而可以为空间中变量的位置。

如图4所示，在时间维度的扩张就得到了一维空间的矩阵型输出一维空间定位评价体系中，定义H_l1矩阵是实际的异常状态发生位置矩阵，其中：下标l为定位(location)，1为一维定位；定义D_l1矩阵是定位***判断的异常状态位置信息矩阵，即向量标签流，定量化的评价这两个矩阵得到一维变量定位评价体系的度量F1_l1。其中：Pre_l1代表查准率，Rec_l1代表查全率。

本实施例通过识别与定位关联矩阵DL统一度量识别与定位，其中：在矩阵中nc为并发异常状态类型的个数，nv为变量的数量，关联矩阵的元素为{0,1}，在异常状态识别与定位的二维维度dl_ij＝1为j类型的异常状态发生，发生在第i个变量的位置。这样，矩阵的坐标信息也就同时包含了异常状态的类型与位置信息。

例如：当当***有3种异常状态类型，有4个***变量。DL矩阵为工业***发生了第2异常状态和第3类异常状态的并发情况，其中：第2类异常状态是有第1个和第2个变量的异常造成的，第3类异常状态是由第2个和第3个变量异常造成的。

在异常状态识别与一维空间定位的评级体系中，DL是矩阵的形式，即当前***的状态标签。每个采样时刻，***都会有异常状态类型信息和异常状态位置信息，当这些信息不加以整理，就属于异构的信息。采用DL关联矩阵的方式可以将异构的信息统一到一个矩阵或者是高维的向量中。在一维的定位与识别关联的信息处理里，标签是2-阶张量即矩阵，如图3坐标维度分别为异常状态类型(Fault class)与***变量(Variables)，每个采样时刻都会有一个矩阵标签的输出，那么沿时间维度的拓展就是一个三阶的张量，即矩阵标签流。

评价***异常状态识别与一维定位的实际发生张量H_dl1与异常状态识别与一维定位的检测张量D_dl1的关系，就定性地评价了异常状态的类型与定位。其中：Pre_dl1代表查准率，Rec_dl1代表查全率，F1_dl1评价两个张量数据的相似性，使用该相似性代表精度。

该发明张量信息化表示，可以定量化的评价异常状态诊断***的异常状态的认知能力，实现海量、多源、异构信息的统一整合、信息表示与统一评价。对并发***的异常状态进行有效的识别与定位，并对识别与定位的精度进行统一的度量，进而可以根据度量的结果，对危害***安全的异常状态进行有效的消除。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于张量标签学习的并发异常状态识别与定位***，其特征在于，包括：异常状态数据预处理模块、高维张量标签模块、张量切片与运算模块、机器学习***、预测张量标签信息融合模块和预测结果评级模块，其中：异常状态数据预处理模块采集来自工业***的原始数据结构化和标准化处理后输出标准数据至高维张量标签模块，高维张量标签模块对标准数据进行加标签处理并生成***状态信息张量后分别输出至张量切片与运算模块和预测结果评级模块，张量切片与运算模块对***状态信息张量进行压缩处理并输出降维后的张量信息至机器学习***，机器学习***分别通过模式识别算法进行异常状态识别得到故障类型标签、通过特征选择算法进行异常状态定位得到故障位置标签，预测张量标签信息融合模块通过对两种标签融合得到预测标签张量，预测结果评价模块根据预测标签张量与***状态信息张量中的原始标签张量进行张量对比运算，得到使用精度，从而实现异常交易状态识别与定位精度；

所述的加标签处理具体包括：

①标量标签y_ns＝i,i∈N，其中：标签的输出是时间序列的，因此，***状态随时间t变化的标签输出是标签维度加入时间t维度的输出：

②向量标签：一个标签同时记录了多个不同的***状态，标签形式为Y_i＝{y₁ … y_nc}，

向量标签输出：

③矩阵标签：一个标签不仅记录了多个不同的***状态，而且记录了各个传感器的位置信息，标签形式为矩阵型标签流Y_tensor为三阶张量，是矩阵标签沿时间维度的拓展，其中：(Y_tensor)_i＝Y_i。

2.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的异常状态数据预处理模块包括：数据结构化单元、数据标准化单元，其中：数据结构化单元与工业***各传感器数据相连并传输工业过程结构化数据，数据标准化单元与数据结构化单元相连并传输经过归一化后的工业化数据。

3.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的高维张量标签模块包括：标量标签单元、向量标签单元、矩阵标签单元，其中：标量标签单元与工业***数据故障类别相连，并传输以标量表示的故障标签，向量标签单元与标量单元相连并输出单个标签位能够表示一类故障是否发生的向量标签，矩阵标签单元与向量标签单元相连并输出加入了故障位置信息的矩阵标签信息。

4.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的张量切片与运算模块包括：张量切片与分解单元，其中：张量切片与分解单元与异常状态数据预处理模块及高维张量标签模块相连，并输出降维后的张量数据信息。

5.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的机器学习***通过模式识别算法进行异常状态识别具体是指：使用有监督机器学习算法对带标签的工业过程数据进行训练学习，使得训练好的学习机能够检测识别工业过程中的异常数据，并确定故障类型；

所述的机器学习***通过特征选择算法进行异常状态定位具体是指：使用特征选择算法，对工业正常工作数据及有标签异常数据进行建模，使得学习的模型能够通过历史数据筛选出造成***状态变化的关键特征点，找出故障原因，实现异常状态定位

该机器学习***包括：故障识别单元、特征选择单元，其中：故障选择单元与张量切片运算模块相连，并输出故障类型标签信息，特征选择单元与张量切片与运算模块相连，并输出故障位置标签信息。

6.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的预测张量标签信息融合模块包括：张量标签信息融合单元，其中：张量标签信息融合单元与机器学习***相连，并输出包含预测故障类型与位置信息的矩阵标签。

7.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的预测结果评级模块包括：预测结果评级单元，其中：预测结果评级单元与预测张量标签信息融合模块及异常状态数据预处理模块相连，并输出异常状态识别与定位精度。

8.根据权利要求1或5所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的故障类型标签是指工业***中各个单类型故障状态及多个故障同时发生的并发故障状态，通过向量标签进行表示，标签的每个位代表一种单故障状态，故障类型标签Y_i＝{y₁ … y_nc},yⁱ∈{0,1}，yⁱ＝0代表未发生该故障，yⁱ＝1代表发生该故障。用Y_i能够完整表示工业***的运行状态；

所述的故障位置标签是指导致工业***出现异常状态的故障点，通过向量标签进行表示，标签的每个位代表工业***的各个工作点，故障位置标签Y_i＝{y₁ … y_ns},yⁱ∈{0,1}，y_i＝0代表不是该点导致的***异常，y_i＝1表示是该点导致的***异常。

9.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的标签融合是指：将故障类型标签与故障位置标签进行融合，从向量标签拓展到矩阵标签，在故障类型的基础上增加一维代表故障位置。Y_i＝{y₁ … y_nc},yⁱ∈{0,1}与Y_i＝{y₁ … y_ns},yⁱ∈{0,1}融合后的预测标签张量其中：(Y_i)_jk＝1代表在***发生了第j类故障，第k个点导致的***故障。

10.根据权利要求1所述的基于张量标签学习的并发异常状态识别与定位***，其特征是，所述的张量对比运算是指：

其中：使用精度为：F1_2，Pre_l1代表查准率，Rec_l1代表查全率，H_m为实际的矩阵型标签流，D_m为预测出来的矩阵标签流，H_l1矩阵是实际的异常状态发生位置矩阵，下标l为定位，1为一维定位，D_l1矩阵是定位***判断的异常状态位置信息矩阵，即向量标签流。