CN119067225B 基于生成式反事實(shí)樣本差異性的工控異常解釋方法及系統(tǒng) （齊魯工業(yè)大學(xué)(山東省科學(xué)院)）

基于生成式反事實(shí)樣本差異性的工控異常本發(fā)明涉及基于生成式反事實(shí)樣本差異性控異常檢測模型對數(shù)據(jù)集進(jìn)行預(yù)測時(shí)輸出的異集的多傳感器時(shí)間序列樣本來獲得特征重要性2根據(jù)工控異常檢測模型預(yù)測異常得分結(jié)果，通過異常得分結(jié)果以將原始時(shí)間序列數(shù)據(jù)集作為輸入，工控異常檢測模型輸出的異常收集工控異常檢測模型對數(shù)據(jù)集進(jìn)行預(yù)測時(shí)輸出的異常閾值通過比較反事實(shí)樣本與原始收集的多傳感器時(shí)間征重要性分?jǐn)?shù)大小代表了特征對異常檢測模型預(yù)測檢測結(jié)果的在異常得分嵌入模塊中，用一個(gè)線性層對要輸入的異常得分行一嵌入后的異常得分與編碼器輸入張量進(jìn)行合并，編碼器包括三層的式(聶)中，CombinedE代表合并原始時(shí)間序列數(shù)據(jù)集后的張量，用作編碼器的輸入，式(Ⅲ)中，μ,σ為編碼器輸出的均值和對數(shù)標(biāo)準(zhǔn)差，Sample代表采樣操作，Encoder3將解碼器的輸出結(jié)果輸入到重參數(shù)化采樣模塊，將隨機(jī)采樣過程2.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征假設(shè)在工業(yè)控制系統(tǒng)中，定義數(shù)據(jù)集xi∈RT×D表示D個(gè)設(shè)備以及時(shí)間步長T上獲取的測3.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征在每個(gè)訓(xùn)練迭代中,條件變分自編碼器接收輸入數(shù)據(jù)x和條件信息score；異常得分嵌每次迭代后,通過反向傳播計(jì)算梯度,并使用Adam優(yōu)化器更新條件變分自編碼器的參4.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征2)5.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征基于訓(xùn)練好的條件變分自編碼器，假設(shè)條件變分自編碼器能夠接受原4將調(diào)整后的異常閾值thr*與原始樣本xi一同輸入到訓(xùn)練好的條件變分自編碼器中；在事實(shí)樣本在特征上做最小的改動(dòng)使條件變分自編碼器預(yù)測結(jié)果發(fā)生翻轉(zhuǎn)，特征上做最小的改動(dòng)，是指：y"=0轉(zhuǎn)變?yōu)?=l。6.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征得特征間的差異性；利用獨(dú)立樣本T檢驗(yàn)對原始樣本和生成的反事實(shí)樣本的每個(gè)特征進(jìn)行步驟2：依據(jù)原始樣本和生成的反事實(shí)樣本之間的差異性來獲得每一個(gè)特征的重要性通過T統(tǒng)計(jì)量分布表查找對應(yīng)的P值；T統(tǒng)計(jì)量分布表也稱為學(xué)生t分特征預(yù)測重要性計(jì)算出每個(gè)特征對于預(yù)測結(jié)果的影響程度，得到真實(shí)的預(yù)測值與實(shí)際的預(yù)測值之后，對每個(gè)特征對預(yù)測的影響程序進(jìn)行歸一化操作,5prepre最后，進(jìn)行加權(quán)求和作為最終的特征重要性值，形成差異譜系，具構(gòu)建特征重要性矩陣，特征重要性矩陣是一個(gè)二維7.根據(jù)權(quán)利要求1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其特征8.根據(jù)權(quán)利要求1_7任一所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，工控混合數(shù)據(jù)集獲取及預(yù)處理模塊，被配置為：根據(jù)工控異常檢測異常閾值預(yù)測模塊，被配置為：收集工控異常檢測模型對數(shù)據(jù)工控異常解釋模塊，被配置為：通過比較反事實(shí)樣本與原始收集的多傳感6在異常得分嵌入模塊中，用一個(gè)線性層對要輸入的異常得分行一嵌入后的異常得分與編碼器輸入張量進(jìn)行合并，編碼器包括三層的式(Ⅱ)中，CombinedE代表合并原始時(shí)間序列數(shù)據(jù)集后的張量，用作編碼器的輸入，式(Ⅲ)中，μ,σ為編碼器輸出的均值和對數(shù)標(biāo)準(zhǔn)差，Sample代表采樣操作，Encoder將解碼器的輸出結(jié)果輸入到重參數(shù)化采樣模塊，將隨機(jī)采樣過程7[0006]本發(fā)明旨在解決當(dāng)前工業(yè)控制系統(tǒng)異常檢測和解釋方法8[0013]3、異常得分：是在異常檢測任務(wù)中用于量化數(shù)據(jù)點(diǎn)偏離正常模式程度的數(shù)值指[0015]5、工控異常檢測模型：是一種專門用于工業(yè)控制系統(tǒng)（IndustrialControl9[0019]將原始時(shí)間序列數(shù)據(jù)集作為輸入，工控異常檢測模型輸[0021]通過比較反事實(shí)樣本與原始收集的多傳感器時(shí)間序列樣本來獲得特征重要性分[0028]假設(shè)在工業(yè)控制系統(tǒng)中，定義數(shù)據(jù)集x,eRi"表示D個(gè)設(shè)備以及時(shí)間步長T上獲[0039]式(Ⅲ)中，為編碼器輸出的均值和對數(shù)標(biāo)準(zhǔn)差，sample代表采樣操作，變分自編碼器的重建結(jié)果；得到隱變量Z；解碼器通過式(Ⅲ),利用隱[0046]每次迭代后,通過反向傳播計(jì)算梯度,并使用Adam優(yōu)化器更新條件變分自編碼器[0047]根據(jù)本發(fā)明優(yōu)選的，條件變分自編碼器的損失函數(shù)包括：重構(gòu)誤差和KL散度，l[0053]根據(jù)本發(fā)明優(yōu)選的，收集工控異常檢測模型對數(shù)據(jù)集進(jìn)行預(yù)測時(shí)輸出的異常閾[0058]將調(diào)整后的異常閾值thr"與原始樣本一同輸入到訓(xùn)練好的條件變分自編碼器生成反事實(shí)樣本在特征上做最小的改動(dòng)使條件變分自編碼器預(yù)測結(jié)果發(fā)生y"=0轉(zhuǎn)變?yōu)?=1。來獲得特征間的差異性；利用獨(dú)立樣本T檢驗(yàn)對原始樣本和生成的反事實(shí)樣本的每個(gè)特[0062]步驟2：依據(jù)原始樣本和生成的反事實(shí)樣本之間的差異性來獲得每一個(gè)特征的重異常檢測模型預(yù)測結(jié)果，I代表所有特征的序列的集合，IIt}代表在全集中抹除特征的操[0075]val(i)=valme(i)-a-val,(i)（XI）;以及實(shí)用性有限等問題。這些挑戰(zhàn)嚴(yán)重影響了異常檢測技術(shù)在實(shí)際工控環(huán)境中的應(yīng)用效[0096]將原始時(shí)間序列數(shù)據(jù)集作為輸入，工控異常檢測模型輸[0098]通過比較反事實(shí)樣本與原始收集的多傳感器時(shí)間序列樣本來獲得特征重要性分[0101]根據(jù)實(shí)施例1所述的基于生成式反事實(shí)樣本差異性的工控異常解釋方法，其區(qū)別[0109]假設(shè)在工業(yè)控制系統(tǒng)中，定義數(shù)據(jù)集x,eRi"表示D個(gè)設(shè)備以及時(shí)間步長T上獲[0120]式(Ⅲ)中，為編碼器輸出的均值和對數(shù)標(biāo)準(zhǔn)差，sample代表采樣操作，變分自編碼器的重建結(jié)果；采樣過程轉(zhuǎn)化為一個(gè)確定性的函數(shù),接受一個(gè)隨機(jī)噪聲作為輸入；目的是保證CVAE模型采得到隱變量Z；解碼器通過式(Ⅲ),利用隱[0127]每次迭代后,通過反向傳播計(jì)算梯度,并使用Adam優(yōu)化器更新條件變分自編碼器PCA可視化結(jié)果示意圖；圖3為本發(fā)明條件變分自編碼器重構(gòu)樣本的T_SNE可視化結(jié)果示意分score(x;)和異常閾值thr；[0141]將調(diào)整后的異常閾值thr"與原始樣本一同輸入到訓(xùn)練好的條件變分自編碼器生成反事實(shí)樣本這個(gè)過程在模型的生成模式下進(jìn)行，確保不會(huì)改變模型參指：y"=0轉(zhuǎn)變?yōu)?=1。異常檢測模型決策的貢獻(xiàn)度；利用高維特征提取技術(shù)從原始樣本中獲取全面的特征表示，特征差異矩陣是一個(gè)二維數(shù)組，其中行表示不同的樣本對（原始樣本和對應(yīng)的反事實(shí)樣來獲得特征間的差異性；利用獨(dú)立樣本T檢驗(yàn)對原始樣本和生成的反事實(shí)樣本的每個(gè)特意義。定義獨(dú)立樣本T檢驗(yàn)的假設(shè)如下：零假設(shè)（H0兩組樣本的均值相等；備擇假設(shè)計(jì)算時(shí)間序列特征的重要性分?jǐn)?shù)表示p值結(jié)[0145]步驟2：依據(jù)原始樣本和生成的反事實(shí)樣本之間的差異性來獲得每一個(gè)特征的重有過多不期望的解釋結(jié)果(比如模型只偏向于更異常檢測模型預(yù)測結(jié)果，I代表所有特征的序列的集合，IIt}