(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利田鵬偉責(zé)任公司11240本發(fā)明實施例涉及動態(tài)控制系統(tǒng)的異常檢神經(jīng)網(wǎng)絡(luò)中的g網(wǎng)絡(luò)初始化動態(tài)控制系統(tǒng)的隱狀態(tài)分布；接收實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處傳一采樣點(diǎn)輸入神經(jīng)網(wǎng)絡(luò)中的f網(wǎng)絡(luò)以預(yù)測得到至點(diǎn)t之前的鄰近時間點(diǎn)t-1處動態(tài)控制系統(tǒng)的隱狀態(tài)分布，第二采樣點(diǎn)表示在當(dāng)前時間點(diǎn)t處動的h網(wǎng)絡(luò)將第二采樣點(diǎn)映射到傳感器測量值空間，以預(yù)測得到在當(dāng)前時間點(diǎn)t處動態(tài)控制系統(tǒng)2接收(S402)實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)中傳感器的測量值和所述至少一個第一采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t之前的鄰近時間點(diǎn)t-1處所述動態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個第二采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系使用h網(wǎng)絡(luò)將所述至少一個第二采樣點(diǎn)映射(S404)到傳感器測量值空間，以預(yù)測得通過比較實時監(jiān)測得到的所述測量值與預(yù)測得到的所述概率分布來判斷(S405)所絡(luò)將滑動窗口內(nèi)的傳感器的測量值和觸發(fā)器的狀態(tài)值編碼為向量，并利用所述g網(wǎng)絡(luò)編碼得到的當(dāng)前時間點(diǎn)的隱狀態(tài)向量預(yù)測下一個時間點(diǎn)處的隱狀態(tài)向量；所述h網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，將預(yù)測得到的下一個時間點(diǎn)處的隱狀態(tài)向量解碼為下一個時間點(diǎn)處的傳感器的測量經(jīng)網(wǎng)絡(luò)是使用所述動態(tài)控制系統(tǒng)正常工況下獲取的傳感更新(S406)在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)后驗的隱狀態(tài)分布，用于獲取在當(dāng)于訓(xùn)練的各時間點(diǎn)處傳感器的測量值的重建誤一個初始化模塊(311),被配置為使用g網(wǎng)絡(luò)初始化一個動態(tài)控制系統(tǒng)的隱狀態(tài)分一個數(shù)據(jù)獲取模塊(312),被配置為接收實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)中傳感器的測量值和觸發(fā)器的狀態(tài)值；-一個預(yù)測模塊(313),被配置為：少一個第一采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t之前的鄰近時間點(diǎn)t-1處所述動態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個第二采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)先驗使用h網(wǎng)絡(luò)將所述至少一個第二采樣點(diǎn)映射到傳感器測量值空間，以預(yù)測得到在當(dāng)一個異常判斷模塊(314),被配置為通過比較實時監(jiān)測得到的所述測量值與預(yù)測得3到的所述概率分布來判斷所述動態(tài)控制系統(tǒng)是否存在異常；其中，所述g網(wǎng)絡(luò)、f網(wǎng)絡(luò)和h網(wǎng)絡(luò)是用于表示所述動態(tài)控制系統(tǒng)動態(tài)分布的神經(jīng)網(wǎng)絡(luò)中的子網(wǎng)絡(luò)，所述g網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，用于將傳感器的測量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動窗口內(nèi)的傳感器的測量值和觸發(fā)器的狀態(tài)值編碼為向量，并利用所述g網(wǎng)絡(luò)編碼得到的當(dāng)前時間點(diǎn)的隱狀態(tài)向量預(yù)測下一個時間點(diǎn)處的隱狀態(tài)向量；所述h網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，將預(yù)測得到的下一個時間點(diǎn)處的隱狀態(tài)向量解碼為下一個時間點(diǎn)處的傳感器的測量值，并將當(dāng)前時間點(diǎn)處的低維隱狀態(tài)向量解碼為當(dāng)前時間點(diǎn)處的傳感器的測量值；所述神經(jīng)網(wǎng)絡(luò)是使用所述動態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測量值訓(xùn)練得到的。-一個更新模塊(315),被配置為更新在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)后驗的隱狀態(tài)分布，用于獲取在當(dāng)前時間點(diǎn)t之后的鄰近時間點(diǎn)t+1處的所述第一采樣點(diǎn)。7.如權(quán)利要求5所述的裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練時采用的損失函數(shù)使得用于訓(xùn)練的各時間點(diǎn)處傳感器的測量值的重建誤差和預(yù)測誤差之和最小。8.如權(quán)利要求5所述的裝置，其特征在于，所述至少一個第一采樣點(diǎn)和所述至少一個第二采樣點(diǎn)均為sigma采樣點(diǎn)。9.一種動態(tài)控制系統(tǒng)的異常檢測裝置(30),其特征在于，包括：至少一個存儲器(301),被配置為存儲計算機(jī)可讀代碼；-至少一個處理器(302),被配置為調(diào)用所述計算機(jī)可讀代碼，執(zhí)行如權(quán)利要求1~4任一項所述的方法。10.一種計算機(jī)可讀介質(zhì)，其特征在于，所述計算機(jī)可讀介質(zhì)上存儲有計算機(jī)可讀指令，所述計算機(jī)可讀指令在被處理器執(zhí)行時，使所述處理器執(zhí)行如權(quán)利要求1~4任一項所述的方法。4一種動態(tài)控制系統(tǒng)的異常檢測方法、裝置和計算機(jī)可讀介質(zhì)技術(shù)領(lǐng)域[0001]本發(fā)明實施例涉及異常檢測技術(shù)領(lǐng)域，尤其涉及一種動態(tài)控制系統(tǒng)的異常檢測方背景技術(shù)[0002]動態(tài)控制系統(tǒng)的主動狀態(tài)監(jiān)測對于保障各種工業(yè)(比如：離散制造、發(fā)電、樓宇資產(chǎn)管理和過程工業(yè))的安全和可靠性至關(guān)重要。為了在預(yù)測性維護(hù)中預(yù)先檢測運(yùn)行故障，通常都會部署異常檢測系統(tǒng)以監(jiān)測控制系統(tǒng)的動態(tài)行為，其中包括傳感器的測量值和觸發(fā)器的狀態(tài)值隨時間的動態(tài)變化。但實踐中，為動態(tài)控制系統(tǒng)建立有效的、具有高真陽性率和低假陽性率的異常檢測模型仍是十分困難的，這是因為：[0003]第一，通常故障數(shù)據(jù)量較少，異常檢測模型必[0004]第二，對于具有高度非線性動態(tài)的控制系統(tǒng)，異常檢測模型要能夠準(zhǔn)確地捕捉到系統(tǒng)復(fù)雜的動態(tài)行為。[0005]第三，異常檢測必須要在隨機(jī)時間點(diǎn)處的傳感器噪音量和模型誤差未知的情況下準(zhǔn)確檢測異常。[0006]目前動態(tài)控制系統(tǒng)的異常檢測方法包括：基于殘差的異常檢測方法、基于密度的異常檢測方法、基于單分類的異常檢測方法和基于規(guī)則的異常檢測方法。[0007]其中，基于殘差的異常檢測方法依賴于諸如基于神經(jīng)網(wǎng)絡(luò)的回歸模型的預(yù)測模型1735頁至1780頁)或諸如自動編碼器的重建模型(參見《用于深度置信網(wǎng)絡(luò)的快速學(xué)習(xí)算表于預(yù)印本平臺arXiv),以壓縮傳感器的測量值來獲取低維度特征并進(jìn)行重建。然后將預(yù)測或重建的測量值與實時監(jiān)測得到的測量值相比，生成殘差。如果殘差超過預(yù)設(shè)的閾值則認(rèn)為檢測到異常。實踐中，由于傳感器噪音量以及每一個時間點(diǎn)預(yù)測誤差或重建誤差未知，介于正常和異常的傳感器的測量值之間嚴(yán)格的閾值很難定義。因此，基于殘差的方法的性能通常在傳感器的測量值受到較大噪音干擾或模型預(yù)測或重建的誤差不穩(wěn)定時惡化。[0008]其中，基于密度的異常檢測方法對每一個時間點(diǎn)處傳感器的測量值的概率分布建模，當(dāng)實時監(jiān)測的測量值的似然值低于預(yù)設(shè)閾值時認(rèn)為檢測到異常?；诿芏鹊漠惓z測葉斯估計算法(參見《用于機(jī)器狀態(tài)監(jiān)測的貝葉斯傳感器估計》,ChaoYuan和ClausNeubauer在2007年發(fā)表于IEEE聲學(xué)、語音和信號處理國際會議刊物517頁至520頁；以及《使用時間信息的魯棒的傳感器估計》,ChaoYuan和ClausNeubauer在2008年發(fā)表于IEEE聲學(xué)、語音和信號處理國際會議刊物2077頁至2080頁)。雖然總體上基于密度的方法對于傳感5器噪音比基于殘差的方法更魯棒，但仍具有一定局限性，限制了實際應(yīng)用。比如：卡爾曼濾波方法在應(yīng)用之前，通常需要通過系統(tǒng)辨識建立物理動態(tài)過程的數(shù)學(xué)模型，而系統(tǒng)辨識在實踐中是比較困難的。此外，許多基于密度的方法在物理動態(tài)過程和/或傳感器測量值分布建模時通常需要較高的先驗知識，當(dāng)物理動態(tài)過程高度非線性時，這些方法的性能可能惡[0009]基于單分類(Oneclassclassification)的異常檢測方法，比如：單分類支持向量機(jī)(SupportVectorMachine,SVM)(參見《用于文檔分類的單分類支持向量LarryM和MalikYousef在2001年發(fā)表于《機(jī)器學(xué)習(xí)研究雜志》第139頁至154頁)和孤立森在2008年發(fā)表于IEEE關(guān)于數(shù)據(jù)挖掘的第八次國際會議),可以自然地應(yīng)用到動態(tài)控制系統(tǒng)的異常檢測，并具有較好的可解釋性。但由于維度災(zāi)難和系統(tǒng)動態(tài)的高度非線性，這些方法已無法適用于如今的動態(tài)控制系統(tǒng)中。[0010]基于規(guī)則的異常檢測方法中獲取由先驗知識得到的系統(tǒng)所必須保持的狀態(tài)條件。實時監(jiān)測的任何破壞該規(guī)則的物理過程值被分類為異常。典型地，這些規(guī)則由領(lǐng)域?qū)＜以谙到y(tǒng)設(shè)計階段定義，人工處理十分費(fèi)時費(fèi)力。此外，特別當(dāng)這些規(guī)則跨子系統(tǒng)時也存在許多潛在的規(guī)則難以由人來發(fā)現(xiàn)，。因此，基于規(guī)則的異常檢測方法常常受限于無法發(fā)現(xiàn)足夠的發(fā)明內(nèi)容[0011]本發(fā)明實施例提供一種動態(tài)控制系統(tǒng)的異常檢測方法、裝置和計算機(jī)可讀介質(zhì)，其中，首先，使用特別設(shè)計的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行動態(tài)控制系統(tǒng)的系統(tǒng)辨識，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練自動完成系統(tǒng)識別的過程。神經(jīng)網(wǎng)絡(luò)的使用可顯著改善系統(tǒng)辨識的通用性并能夠獲取動態(tài)控制系統(tǒng)的高度非線性動態(tài)的行為，而且也克服了表達(dá)能力一般的模型可能帶來維度災(zāi)難的通病。然后，考慮到來自傳感器噪聲和模型誤差的不確定性，使用貝葉斯濾波的方法，通過實時觀察的傳感器測量值的似然性來檢測異常。[0012]第一方面，提供一種動態(tài)控制系統(tǒng)的異常檢測方法，該方法可由計算機(jī)程序?qū)崿F(xiàn)，該方法中，使用g網(wǎng)絡(luò)初始化一個動態(tài)控制系統(tǒng)的隱狀態(tài)分布；接收實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)中傳感器的測量值和觸發(fā)器的狀態(tài)值；將至少一個第一采樣點(diǎn)輸入f網(wǎng)絡(luò)，以預(yù)測得到至少一個第二采樣點(diǎn)，其中，所述至少一個第一采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t之前的鄰近時間點(diǎn)t-1處所述動態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個第二采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)先驗的隱狀態(tài)分布；使用h網(wǎng)絡(luò)將所述至少一個第二采樣點(diǎn)映射到傳感器測量值空間，以預(yù)測得到在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)的傳感器測量值的概率分布；通過比較實時監(jiān)測得到的所述測量值與預(yù)測得到的所述概率分布來判斷所述動態(tài)控制系統(tǒng)是否存在異常；所述g網(wǎng)絡(luò)、f網(wǎng)絡(luò)和h網(wǎng)絡(luò)是用于表示所述動態(tài)控制系統(tǒng)動態(tài)分布的神經(jīng)網(wǎng)絡(luò)中的子網(wǎng)絡(luò)，所述g網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，用于將傳感器的測量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動窗口內(nèi)的傳感器的測量值和觸發(fā)器的狀態(tài)值編碼為向量，并利用所述g網(wǎng)絡(luò)編碼得到的當(dāng)前時間點(diǎn)的隱狀態(tài)向量預(yù)測下一個時間點(diǎn)處的隱狀態(tài)向量；所述h網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，將預(yù)測得到的下一個時間點(diǎn)處的隱狀態(tài)向量解碼為傳感器的測量值，并將當(dāng)前時間點(diǎn)處的低維隱狀態(tài)向量解碼為傳感器的測量值；所6述神經(jīng)網(wǎng)絡(luò)是使用所述動態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測量值訓(xùn)練得到的。[0014]一個初始化模塊，被配置為使用g網(wǎng)絡(luò)初始化一個動態(tài)控制系統(tǒng)的隱狀態(tài)分布；[0015]一個數(shù)據(jù)獲取模塊，被配置為接收實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)中傳感器的測量值和觸發(fā)器的狀態(tài)值；[0016]一個預(yù)測模塊，被配置為：將至少一個第一采樣點(diǎn)輸入f網(wǎng)絡(luò)，以預(yù)測得到至少一個第二采樣點(diǎn)，其中，所述至少一個第一采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t之前的鄰近時間點(diǎn)t-1處所述動態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個第二采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)先驗的隱狀態(tài)分布；以及使用h網(wǎng)絡(luò)將所述至少一個第二采樣點(diǎn)映射到傳感器測量值空間，以預(yù)測得到在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)的傳感器測量值的概率分布；[0017]-一個異常判斷模塊，被配置為通過比較實時監(jiān)測得到的所述測量值與預(yù)測得到的所述概率分布來判斷所述動態(tài)控制系統(tǒng)是否存在異常；[0018]其中，所述g網(wǎng)絡(luò)、f網(wǎng)絡(luò)和h網(wǎng)絡(luò)是用于表示所述動態(tài)控制系統(tǒng)動態(tài)分布的神經(jīng)網(wǎng)絡(luò)中的子網(wǎng)絡(luò)，所述g網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，用于將傳感器的測量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動窗口內(nèi)的傳感器的測量值和觸發(fā)器的狀態(tài)值編碼為向量，并利用所述g網(wǎng)絡(luò)編碼得到的當(dāng)前時間點(diǎn)的隱狀態(tài)向量預(yù)測下一個時間點(diǎn)處的隱狀態(tài)向量；所述h網(wǎng)絡(luò)為前饋網(wǎng)絡(luò)，將預(yù)測得到的下一個時間點(diǎn)處的隱狀態(tài)向量解碼為傳感器的測量值，并將當(dāng)前時間點(diǎn)處的低維隱狀態(tài)向量解碼為傳感器的測量值；所述神經(jīng)網(wǎng)絡(luò)是使用所述動態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測量值訓(xùn)練得到的。[0019]第三方面，提供一種動態(tài)控制系統(tǒng)的異常檢測裝置，包括：至少一個存儲器，被配置為存儲計算機(jī)可讀代碼；至少一個處理器，被配置為調(diào)用所述計算機(jī)可讀代碼，執(zhí)行第一方面所提供的步驟。[0020]第四方面，一種計算機(jī)可讀介質(zhì)，所述計算機(jī)可讀介質(zhì)上存儲有計算機(jī)可讀指令，所述計算機(jī)可讀指令在被處理器執(zhí)行時，使所述處理器執(zhí)行第一方面所提供的步驟。[0021]對于上述任一方面，可選地，還可更新在當(dāng)前時間點(diǎn)t處所述動態(tài)控制系統(tǒng)后驗的隱狀態(tài)分布，用于獲取在當(dāng)前時間點(diǎn)t之后的鄰近時間點(diǎn)t+1處的所述第一采樣點(diǎn)。從而使得系統(tǒng)隱狀態(tài)的不確定性得到實時追蹤，增加異常監(jiān)測的可靠性。[0022]對于上述任一方面，可選地，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練時采用的損失函數(shù)使得用于訓(xùn)練的各時間點(diǎn)處傳感器的測量值的重建誤差和預(yù)測誤差之和最小。這種端到端的訓(xùn)練方法使得我們的神經(jīng)網(wǎng)絡(luò)在現(xiàn)實應(yīng)用中非常容易實施。[0023]對于上述任一方面，可選地，所述至少一個第一采樣點(diǎn)和所述至少一個第二采樣點(diǎn)均為sigma采樣點(diǎn)。這樣使得以最少的采樣點(diǎn)來高效地表達(dá)概率分布，較大程度地提高方法的運(yùn)行效率。附圖說明[0024]圖1為本發(fā)明實施例中用于系統(tǒng)辨識的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。[0025]圖2為采用本發(fā)明實施例和采用現(xiàn)有方法進(jìn)行異常檢測的效果對比圖。[0026]圖3為本發(fā)明實施例提供的異常檢測裝置的結(jié)構(gòu)示意圖。7圖4為本發(fā)明實施例提供的異常檢測方法的流程圖。附圖標(biāo)記列表：10:神經(jīng)網(wǎng)絡(luò)2:采用孤立森林方法的檢測結(jié)果3:采用Seq2SeqLSTM方法的檢測結(jié)果5:采用稀疏自動編碼器的檢測結(jié)果6:采用變分自動編碼器的檢測結(jié)果7:采用LSTM自動編碼器的檢測結(jié)果8:采用貝葉斯估計算法的檢測結(jié)果30:本發(fā)明實施例提供的異常檢測裝置301:存儲器302:處理器303:通信模塊31:異常檢測程序311~315:異常檢測程序31中的軟件程序模塊具體實施方式[0031]現(xiàn)在將參考示例實施方式討論本文描述的主題。應(yīng)該理解，討論這些實施方式只是為了使得本領(lǐng)域技術(shù)人員能夠更好地理解從而實現(xiàn)本文描述的主題，并非是對權(quán)利要求書中所闡述的保護(hù)范圍、適用性或者示例的限制。可以在不脫離本發(fā)明實施例內(nèi)容的保護(hù)范圍的情況下，對所討論的元素的功能和排列進(jìn)行改變。各個示例可以根據(jù)需要，省略、替代或者添加各種過程或組件。例如，所描述的方法可以按照與所描述的順序不同的順序來執(zhí)行，以及各個步驟可以被添加、省略或者組合。另外，相對一些示例所描述的特征在其它例子中也可以進(jìn)行組合。[0032]如本文中使用的，術(shù)語“包括”及其變型表示開放的術(shù)語，含義是“包括但不限于”。同的或相同的對象。下面可以包括其他的定義，無論是明確的還是隱含的。除非上下文中明確地指明，否則一個術(shù)語的定義在整個說明書中是一致的。[0033]為了能夠使得本發(fā)明實施例所提供的方案更容易理解，這里對涉及的一些概念加以解釋，需要說明的是，這些解釋不應(yīng)視為對本發(fā)明權(quán)利要求保護(hù)范圍的限定。[0034]1、動態(tài)控制系統(tǒng)[0035]控制系統(tǒng)分為靜態(tài)控制系統(tǒng)和動態(tài)控制系統(tǒng)。兩者存在如下區(qū)別：[0036]1)變化不同[0037]動態(tài)控制系統(tǒng)的狀態(tài)變量隨時間有明顯變化，是時間的函數(shù)。靜態(tài)控制系統(tǒng)的狀態(tài)變量隨時間變化較小，難以觀察和測量。[0038]2)參數(shù)關(guān)聯(lián)不同[0039]動態(tài)控制系統(tǒng)由多種變量或參數(shù)構(gòu)成，這些變量相互聯(lián)系并處于恒動中。靜態(tài)控制系統(tǒng)在任一時刻的輸出只與該時刻的輸入有關(guān)，而與該時刻之前或之后的輸入無關(guān)。[0040]3)終態(tài)不同[0041]動態(tài)控制系統(tǒng)的終態(tài)既可能是平衡態(tài)，也可能是非平衡態(tài)。靜態(tài)系統(tǒng)的終態(tài)是平衡態(tài)。8[0056]綜上，整個神經(jīng)網(wǎng)絡(luò)10可表示為Fa,θ,φ,以將時間點(diǎn)t-1處的傳感器的測量值xt-1、可使用梯度下降算法來解決下面的問題。其中可使用的梯度下降算法的一個例子為adam9derMerwe在2004年發(fā)表)。[0077]選擇sigma點(diǎn)，使得僅用少量的sigma點(diǎn)即能夠表示t-1時間點(diǎn)處動態(tài)控制系統(tǒng)的[0079]其中，時間點(diǎn)t處先驗隱狀態(tài)分布的均值和協(xié)方差可以通過無損變換函數(shù)計算得[0098]采用本發(fā)明實施例提供的方法來檢測泵控制系統(tǒng)數(shù)據(jù)集中的異常。系統(tǒng)數(shù)據(jù)由5個月內(nèi)每分鐘采樣的52個傳感器的測量值組成。數(shù)據(jù)集中有7個連續(xù)幾個小時到幾天的故故障都發(fā)生在測試集的周期內(nèi)，這意味著訓(xùn)練集和驗證集只包含正常工況下的[0099]圖2示出了采用本發(fā)明實施例和前述的其他幾種方法(孤立森林、貝葉斯估計算[0100]假設(shè)最大可接受的假陽性率(FPR)為0.01(每100分鐘1次假告警),比較FPR最大值11行異常檢測的原理。下面介紹本發(fā)明實施例提供的能夠?qū)崿F(xiàn)異常檢測的裝置30。[0102]本發(fā)明實施例提供的異常檢測裝置30可以實現(xiàn)為計算機(jī)處理器的網(wǎng)絡(luò)，以執(zhí)行本發(fā)明實施例中的動態(tài)控制系統(tǒng)的異常檢測方法400。異常檢測裝置30也可以是如圖3所示的單臺計算機(jī)，包括至少一個存儲器301,其包括計算機(jī)可讀介質(zhì)，例如隨機(jī)存取存儲器(RAM)。裝置30還包括與至少一個存儲器301耦合的至少一個處理器302。計算機(jī)可執(zhí)行指令存儲在至少一個存儲器301中，并且當(dāng)由至少一個處理器302執(zhí)行時，可以使至少一個處理器302執(zhí)行本文所述的步驟。至少一個處理器302可以包括微處理器、專用集成電路(ASIC)、全光介質(zhì)、所有磁帶或其他磁性介質(zhì)，或計算機(jī)處理器可以從中讀取指令的任何其他介質(zhì)。此外，各種其它形式的計算機(jī)可讀介質(zhì)可以向計算機(jī)發(fā)送或攜帶指令，包括路由器、專用或公用網(wǎng)絡(luò)、或其它有線和無線傳輸設(shè)備或信道。指令可以包括任何計算機(jī)編程語言的代碼，[0103]當(dāng)由至少一個處理器302執(zhí)行時，圖3中所示的至少一個存儲器301可以包含動態(tài)控制系統(tǒng)的異常檢測程序31,使得至少一個處理器302執(zhí)行本發(fā)明實施例中所述的用于動態(tài)控制系統(tǒng)的異常檢測方法400。動態(tài)控制系統(tǒng)的異常檢測程序31可以包括：[0104]一個初始化模塊311,被配置為使用圖1所示的神經(jīng)網(wǎng)絡(luò)10中的g網(wǎng)絡(luò)初始化一個動態(tài)控制系統(tǒng)的隱狀態(tài)分布；[0105]一個數(shù)據(jù)獲取模塊312,被配置為接收實時監(jiān)測得到的當(dāng)前時間點(diǎn)t處動態(tài)控制系統(tǒng)中傳感器的測量值和觸發(fā)器的狀態(tài)值；[0106]一個預(yù)測模塊313,被配置為：將至少一個第一采樣點(diǎn)輸入圖1所示的神經(jīng)網(wǎng)絡(luò)10中的f網(wǎng)絡(luò)，以預(yù)測得到至少一個第二采樣點(diǎn)，其中，至少一個第一采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t之前的鄰近時間點(diǎn)t-1處動態(tài)控制系統(tǒng)的隱狀態(tài)分布，至少一個第二采樣點(diǎn)用于表示在當(dāng)前時間點(diǎn)t處動態(tài)控制系統(tǒng)先驗的隱狀態(tài)分布；以及使用神經(jīng)網(wǎng)絡(luò)10中的h網(wǎng)絡(luò)將至少一個第二采樣點(diǎn)映射到傳感器測量值空間，以預(yù)測得到在當(dāng)前時間點(diǎn)t處動態(tài)控制系統(tǒng)的傳感器測量值的概率分布；[0107]一個異常判斷模塊314,被配置為通過比較實時監(jiān)測得到的測量值與預(yù)測得到的概率分布來判斷動態(tài)控制系統(tǒng)是否存在異常；[0108]可選地，異常檢測程序31還可包括一個更新模塊315,被配置為更新在當(dāng)前時間點(diǎn)t處動態(tài)控制系統(tǒng)后驗的隱狀態(tài)分布，用于獲取在當(dāng)前時間點(diǎn)t之后的鄰近時間點(diǎn)t+1處的第一采樣點(diǎn)。[0109]可選地，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練時采用的損失函數(shù)使得用于訓(xùn)練的各時間點(diǎn)處傳感器的測量值的重建誤差和預(yù)測誤差之和最小。[0110]可選地，所述至少一個第一采樣點(diǎn)和所述至少一個第二采樣點(diǎn)均為sigma采樣點(diǎn)。[0111]可選地，異常檢測裝置30還可包括一通信模塊303,與至少一個處理器302和至少一個存儲器301通過總線連接，用于異常檢測裝置30與外部設(shè)備通信。[0112]應(yīng)當(dāng)提及的是，本發(fā)明實施例可以包括具有不同于圖3所示架構(gòu)的裝置。上述架構(gòu)僅僅是示例性的，用于解釋本發(fā)明實施例提供的方法400。[0113]此外，上述各模塊還也可視為由硬件實現(xiàn)的各個功能模塊，用于實現(xiàn)異常檢測裝置30在執(zhí)行動態(tài)控制系統(tǒng)的異常檢測方法時涉及的各種功能，比如預(yù)先將該方法中涉及的各流程的控制邏輯燒制到諸如現(xiàn)場可編程門陣列(Field-ProgrammableGateArray,FPGA)芯片或復(fù)雜可編程邏輯器件(ComplexProgrammableLogicDevice,CPLD)中，而由這些芯片或器件執(zhí)行上述各模塊的功能，具體實現(xiàn)方式可依工程實踐而定。[0114]可選地，異常檢測裝置30還可包括一通信模塊303,與至少一個處理器302和至少一個存儲器301通過總線連接，用于異常檢測裝置30與外部設(shè)備通信。[0115]應(yīng)當(dāng)提及的是，本發(fā)明實施例可以包括具有不同于圖3所示架構(gòu)的裝置。上述架構(gòu)僅僅是示例性的，用于解釋本發(fā)明實施例提供的方法400。[0116]此外，上述各模塊還也可視為由硬件實現(xiàn)的各個功能模塊，用于實現(xiàn)異常檢測裝置30在執(zhí)行動態(tài)控制系統(tǒng)的異常檢測方法時涉及的各種功能，比如預(yù)先將該方法中涉及的各流程的控制邏輯燒制到諸如現(xiàn)場可編程門陣列(Field-ProgrammableGateArray,FPGA)芯片或復(fù)雜可編程邏輯器件(ComplexProgrammableLogicDevice,CPLD)中，而由這些芯片或器件執(zhí)行上述各模塊的功能，具體實現(xiàn)方式可依工程實踐而定。[0117]下面，參照圖4說明本發(fā)明實施例提供的動態(tài)控制系統(tǒng)的異常檢測方