(19)國(guó)家知識(shí)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(shí)施例涉及動(dòng)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(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布；接收實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)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(cè)得到至點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處動(dòng)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(shí)間點(diǎn)t處動(dòng)的h網(wǎng)絡(luò)將第二采樣點(diǎn)映射到傳感器測(cè)量值空間，以預(yù)測(cè)得到在當(dāng)前時(shí)間點(diǎn)t處動(dòng)態(tài)控制系統(tǒng)2接收(S402)實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)中傳感器的測(cè)量值和所述至少一個(gè)第一采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處所述動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個(gè)第二采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系使用h網(wǎng)絡(luò)將所述至少一個(gè)第二采樣點(diǎn)映射(S404)到傳感器測(cè)量值空間，以預(yù)測(cè)得通過比較實(shí)時(shí)監(jiān)測(cè)得到的所述測(cè)量值與預(yù)測(cè)得到的所述概率分布來判斷(S405)所絡(luò)將滑動(dòng)窗口內(nèi)的傳感器的測(cè)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(shí)間點(diǎn)的隱狀態(tài)向量預(yù)測(cè)下一個(gè)時(shí)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(cè)得到的下一個(gè)時(shí)間點(diǎn)處的隱狀態(tài)向量解碼為下一個(gè)時(shí)間點(diǎn)處的傳感器的測(cè)量經(jīng)網(wǎng)絡(luò)是使用所述動(dòng)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(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)后驗(yàn)的隱狀態(tài)分布，用于獲取在當(dāng)于訓(xùn)練的各時(shí)間點(diǎn)處傳感器的測(cè)量值的重建誤一個(gè)初始化模塊(311),被配置為使用g網(wǎng)絡(luò)初始化一個(gè)動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分一個(gè)數(shù)據(jù)獲取模塊(312),被配置為接收實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)中傳感器的測(cè)量值和觸發(fā)器的狀態(tài)值；-一個(gè)預(yù)測(cè)模塊(313),被配置為：少一個(gè)第一采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處所述動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個(gè)第二采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)先驗(yàn)使用h網(wǎng)絡(luò)將所述至少一個(gè)第二采樣點(diǎn)映射到傳感器測(cè)量值空間，以預(yù)測(cè)得到在當(dāng)一個(gè)異常判斷模塊(314),被配置為通過比較實(shí)時(shí)監(jiān)測(cè)得到的所述測(cè)量值與預(yù)測(cè)得3到的所述概率分布來判斷所述動(dòng)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(dòng)態(tài)控制系統(tǒng)動(dòng)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(cè)量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動(dòng)窗口內(nèi)的傳感器的測(cè)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(shí)間點(diǎn)的隱狀態(tài)向量預(yù)測(cè)下一個(gè)時(shí)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(cè)得到的下一個(gè)時(shí)間點(diǎn)處的隱狀態(tài)向量解碼為下一個(gè)時(shí)間點(diǎn)處的傳感器的測(cè)量值，并將當(dāng)前時(shí)間點(diǎn)處的低維隱狀態(tài)向量解碼為當(dāng)前時(shí)間點(diǎn)處的傳感器的測(cè)量值；所述神經(jīng)網(wǎng)絡(luò)是使用所述動(dòng)態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測(cè)量值訓(xùn)練得到的。-一個(gè)更新模塊(315),被配置為更新在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)后驗(yàn)的隱狀態(tài)分布，用于獲取在當(dāng)前時(shí)間點(diǎn)t之后的鄰近時(shí)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(shí)采用的損失函數(shù)使得用于訓(xùn)練的各時(shí)間點(diǎn)處傳感器的測(cè)量值的重建誤差和預(yù)測(cè)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(gè)第一采樣點(diǎn)和所述至少一個(gè)第二采樣點(diǎn)均為sigma采樣點(diǎn)。9.一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)裝置(30),其特征在于，包括：至少一個(gè)存儲(chǔ)器(301),被配置為存儲(chǔ)計(jì)算機(jī)可讀代碼；-至少一個(gè)處理器(302),被配置為調(diào)用所述計(jì)算機(jī)可讀代碼，執(zhí)行如權(quán)利要求1~4任一項(xiàng)所述的方法。10.一種計(jì)算機(jī)可讀介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀介質(zhì)上存儲(chǔ)有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令在被處理器執(zhí)行時(shí)，使所述處理器執(zhí)行如權(quán)利要求1~4任一項(xiàng)所述的方法。4一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法、裝置和計(jì)算機(jī)可讀介質(zhì)技術(shù)領(lǐng)域[0001]本發(fā)明實(shí)施例涉及異常檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方背景技術(shù)[0002]動(dòng)態(tài)控制系統(tǒng)的主動(dòng)狀態(tài)監(jiān)測(cè)對(duì)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(cè)性維護(hù)中預(yù)先檢測(cè)運(yùn)行故障，通常都會(huì)部署異常檢測(cè)系統(tǒng)以監(jiān)測(cè)控制系統(tǒng)的動(dòng)態(tài)行為，其中包括傳感器的測(cè)量值和觸發(fā)器的狀態(tài)值隨時(shí)間的動(dòng)態(tài)變化。但實(shí)踐中，為動(dòng)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(cè)模型仍是十分困難的，這是因?yàn)椋篬0003]第一，通常故障數(shù)據(jù)量較少，異常檢測(cè)模型必[0004]第二，對(duì)于具有高度非線性動(dòng)態(tài)的控制系統(tǒng)，異常檢測(cè)模型要能夠準(zhǔn)確地捕捉到系統(tǒng)復(fù)雜的動(dòng)態(tài)行為。[0005]第三，異常檢測(cè)必須要在隨機(jī)時(shí)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(cè)異常。[0006]目前動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法包括：基于殘差的異常檢測(cè)方法、基于密度的異常檢測(cè)方法、基于單分類的異常檢測(cè)方法和基于規(guī)則的異常檢測(cè)方法。[0007]其中，基于殘差的異常檢測(cè)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(cè)模型1735頁至1780頁)或諸如自動(dòng)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(tái)arXiv),以壓縮傳感器的測(cè)量值來獲取低維度特征并進(jìn)行重建。然后將預(yù)測(cè)或重建的測(cè)量值與實(shí)時(shí)監(jiān)測(cè)得到的測(cè)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(cè)到異常。實(shí)踐中，由于傳感器噪音量以及每一個(gè)時(shí)間點(diǎn)預(yù)測(cè)誤差或重建誤差未知，介于正常和異常的傳感器的測(cè)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(cè)量值受到較大噪音干擾或模型預(yù)測(cè)或重建的誤差不穩(wěn)定時(shí)惡化。[0008]其中，基于密度的異常檢測(cè)方法對(duì)每一個(gè)時(shí)間點(diǎn)處傳感器的測(cè)量值的概率分布建模，當(dāng)實(shí)時(shí)監(jiān)測(cè)的測(cè)量值的似然值低于預(yù)設(shè)閾值時(shí)認(rèn)為檢測(cè)到異常?；诿芏鹊漠惓z測(cè)葉斯估計(jì)算法(參見《用于機(jī)器狀態(tài)監(jiān)測(cè)的貝葉斯傳感器估計(jì)》,ChaoYuan和ClausNeubauer在2007年發(fā)表于IEEE聲學(xué)、語音和信號(hào)處理國(guó)際會(huì)議刊物517頁至520頁；以及《使用時(shí)間信息的魯棒的傳感器估計(jì)》,ChaoYuan和ClausNeubauer在2008年發(fā)表于IEEE聲學(xué)、語音和信號(hào)處理國(guó)際會(huì)議刊物2077頁至2080頁)。雖然總體上基于密度的方法對(duì)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(shí)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(shí)建立物理動(dòng)態(tài)過程的數(shù)學(xué)模型，而系統(tǒng)辨識(shí)在實(shí)踐中是比較困難的。此外，許多基于密度的方法在物理動(dòng)態(tài)過程和/或傳感器測(cè)量值分布建模時(shí)通常需要較高的先驗(yàn)知識(shí)，當(dāng)物理動(dòng)態(tài)過程高度非線性時(shí)，這些方法的性能可能惡[0009]基于單分類(Oneclassclassification)的異常檢測(cè)方法，比如：?jiǎn)畏诸愔С窒蛄繖C(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(guó)際會(huì)議),可以自然地應(yīng)用到動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)，并具有較好的可解釋性。但由于維度災(zāi)難和系統(tǒng)動(dòng)態(tài)的高度非線性，這些方法已無法適用于如今的動(dòng)態(tài)控制系統(tǒng)中。[0010]基于規(guī)則的異常檢測(cè)方法中獲取由先驗(yàn)知識(shí)得到的系統(tǒng)所必須保持的狀態(tài)條件。實(shí)時(shí)監(jiān)測(cè)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(jì)階段定義，人工處理十分費(fèi)時(shí)費(fèi)力。此外，特別當(dāng)這些規(guī)則跨子系統(tǒng)時(shí)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(cè)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(shí)施例提供一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法、裝置和計(jì)算機(jī)可讀介質(zhì)，其中，首先，使用特別設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行動(dòng)態(tài)控制系統(tǒng)的系統(tǒng)辨識(shí)，通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練自動(dòng)完成系統(tǒng)識(shí)別的過程。神經(jīng)網(wǎng)絡(luò)的使用可顯著改善系統(tǒng)辨識(shí)的通用性并能夠獲取動(dòng)態(tài)控制系統(tǒng)的高度非線性動(dòng)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(shí)時(shí)觀察的傳感器測(cè)量值的似然性來檢測(cè)異常。[0012]第一方面，提供一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法，該方法可由計(jì)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(gè)動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布；接收實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)中傳感器的測(cè)量值和觸發(fā)器的狀態(tài)值；將至少一個(gè)第一采樣點(diǎn)輸入f網(wǎng)絡(luò)，以預(yù)測(cè)得到至少一個(gè)第二采樣點(diǎn)，其中，所述至少一個(gè)第一采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處所述動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個(gè)第二采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)先驗(yàn)的隱狀態(tài)分布；使用h網(wǎng)絡(luò)將所述至少一個(gè)第二采樣點(diǎn)映射到傳感器測(cè)量值空間，以預(yù)測(cè)得到在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)的傳感器測(cè)量值的概率分布；通過比較實(shí)時(shí)監(jiān)測(cè)得到的所述測(cè)量值與預(yù)測(cè)得到的所述概率分布來判斷所述動(dòng)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(dòng)態(tài)控制系統(tǒng)動(dòng)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(cè)量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動(dòng)窗口內(nèi)的傳感器的測(cè)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(shí)間點(diǎn)的隱狀態(tài)向量預(yù)測(cè)下一個(gè)時(shí)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(cè)得到的下一個(gè)時(shí)間點(diǎn)處的隱狀態(tài)向量解碼為傳感器的測(cè)量值，并將當(dāng)前時(shí)間點(diǎn)處的低維隱狀態(tài)向量解碼為傳感器的測(cè)量值；所6述神經(jīng)網(wǎng)絡(luò)是使用所述動(dòng)態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測(cè)量值訓(xùn)練得到的。[0014]一個(gè)初始化模塊，被配置為使用g網(wǎng)絡(luò)初始化一個(gè)動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布；[0015]一個(gè)數(shù)據(jù)獲取模塊，被配置為接收實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)中傳感器的測(cè)量值和觸發(fā)器的狀態(tài)值；[0016]一個(gè)預(yù)測(cè)模塊，被配置為：將至少一個(gè)第一采樣點(diǎn)輸入f網(wǎng)絡(luò)，以預(yù)測(cè)得到至少一個(gè)第二采樣點(diǎn)，其中，所述至少一個(gè)第一采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處所述動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布，所述至少一個(gè)第二采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)先驗(yàn)的隱狀態(tài)分布；以及使用h網(wǎng)絡(luò)將所述至少一個(gè)第二采樣點(diǎn)映射到傳感器測(cè)量值空間，以預(yù)測(cè)得到在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)的傳感器測(cè)量值的概率分布；[0017]-一個(gè)異常判斷模塊，被配置為通過比較實(shí)時(shí)監(jiān)測(cè)得到的所述測(cè)量值與預(yù)測(cè)得到的所述概率分布來判斷所述動(dòng)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(dòng)態(tài)控制系統(tǒng)動(dòng)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(cè)量值編碼為低維隱狀態(tài)向量；所述f網(wǎng)絡(luò)將滑動(dòng)窗口內(nèi)的傳感器的測(cè)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(shí)間點(diǎn)的隱狀態(tài)向量預(yù)測(cè)下一個(gè)時(shí)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(cè)得到的下一個(gè)時(shí)間點(diǎn)處的隱狀態(tài)向量解碼為傳感器的測(cè)量值，并將當(dāng)前時(shí)間點(diǎn)處的低維隱狀態(tài)向量解碼為傳感器的測(cè)量值；所述神經(jīng)網(wǎng)絡(luò)是使用所述動(dòng)態(tài)控制系統(tǒng)正常工況下獲取的傳感器的測(cè)量值訓(xùn)練得到的。[0019]第三方面，提供一種動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)裝置，包括：至少一個(gè)存儲(chǔ)器，被配置為存儲(chǔ)計(jì)算機(jī)可讀代碼；至少一個(gè)處理器，被配置為調(diào)用所述計(jì)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(jì)算機(jī)可讀介質(zhì)，所述計(jì)算機(jī)可讀介質(zhì)上存儲(chǔ)有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令在被處理器執(zhí)行時(shí)，使所述處理器執(zhí)行第一方面所提供的步驟。[0021]對(duì)于上述任一方面，可選地，還可更新在當(dāng)前時(shí)間點(diǎn)t處所述動(dòng)態(tài)控制系統(tǒng)后驗(yàn)的隱狀態(tài)分布，用于獲取在當(dāng)前時(shí)間點(diǎn)t之后的鄰近時(shí)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(shí)時(shí)追蹤，增加異常監(jiān)測(cè)的可靠性。[0022]對(duì)于上述任一方面，可選地，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)采用的損失函數(shù)使得用于訓(xùn)練的各時(shí)間點(diǎn)處傳感器的測(cè)量值的重建誤差和預(yù)測(cè)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(shí)應(yīng)用中非常容易實(shí)施。[0023]對(duì)于上述任一方面，可選地，所述至少一個(gè)第一采樣點(diǎn)和所述至少一個(gè)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(shí)施例中用于系統(tǒng)辨識(shí)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(shí)施例和采用現(xiàn)有方法進(jìn)行異常檢測(cè)的效果對(duì)比圖。[0026]圖3為本發(fā)明實(shí)施例提供的異常檢測(cè)裝置的結(jié)構(gòu)示意圖。7圖4為本發(fā)明實(shí)施例提供的異常檢測(cè)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(cè)結(jié)果3:采用Seq2SeqLSTM方法的檢測(cè)結(jié)果5:采用稀疏自動(dòng)編碼器的檢測(cè)結(jié)果6:采用變分自動(dòng)編碼器的檢測(cè)結(jié)果7:采用LSTM自動(dòng)編碼器的檢測(cè)結(jié)果8:采用貝葉斯估計(jì)算法的檢測(cè)結(jié)果30:本發(fā)明實(shí)施例提供的異常檢測(cè)裝置301:存儲(chǔ)器302:處理器303:通信模塊31:異常檢測(cè)程序311~315:異常檢測(cè)程序31中的軟件程序模塊具體實(shí)施方式[0031]現(xiàn)在將參考示例實(shí)施方式討論本文描述的主題。應(yīng)該理解，討論這些實(shí)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(shí)現(xiàn)本文描述的主題，并非是對(duì)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?？梢栽诓幻撾x本發(fā)明實(shí)施例內(nèi)容的保護(hù)范圍的情況下，對(duì)所討論的元素的功能和排列進(jìn)行改變。各個(gè)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(gè)步驟可以被添加、省略或者組合。另外，相對(duì)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(duì)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(gè)術(shù)語的定義在整個(gè)說明書中是一致的。[0033]為了能夠使得本發(fā)明實(shí)施例所提供的方案更容易理解，這里對(duì)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(duì)本發(fā)明權(quán)利要求保護(hù)范圍的限定。[0034]1、動(dòng)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(dòng)態(tài)控制系統(tǒng)。兩者存在如下區(qū)別：[0036]1)變化不同[0037]動(dòng)態(tài)控制系統(tǒng)的狀態(tài)變量隨時(shí)間有明顯變化，是時(shí)間的函數(shù)。靜態(tài)控制系統(tǒng)的狀態(tài)變量隨時(shí)間變化較小，難以觀察和測(cè)量。[0038]2)參數(shù)關(guān)聯(lián)不同[0039]動(dòng)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(dòng)中。靜態(tài)控制系統(tǒng)在任一時(shí)刻的輸出只與該時(shí)刻的輸入有關(guān)，而與該時(shí)刻之前或之后的輸入無關(guān)。[0040]3)終態(tài)不同[0041]動(dòng)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(gè)神經(jīng)網(wǎng)絡(luò)10可表示為Fa,θ,φ,以將時(shí)間點(diǎn)t-1處的傳感器的測(cè)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(gè)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(shí)間點(diǎn)處動(dòng)態(tài)控制系統(tǒng)的[0079]其中，時(shí)間點(diǎn)t處先驗(yàn)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(jì)算得[0098]采用本發(fā)明實(shí)施例提供的方法來檢測(cè)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(gè)月內(nèi)每分鐘采樣的52個(gè)傳感器的測(cè)量值組成。數(shù)據(jù)集中有7個(gè)連續(xù)幾個(gè)小時(shí)到幾天的故故障都發(fā)生在測(cè)試集的周期內(nèi)，這意味著訓(xùn)練集和驗(yàn)證集只包含正常工況下的[0099]圖2示出了采用本發(fā)明實(shí)施例和前述的其他幾種方法(孤立森林、貝葉斯估計(jì)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(cè)的原理。下面介紹本發(fā)明實(shí)施例提供的能夠?qū)崿F(xiàn)異常檢測(cè)的裝置30。[0102]本發(fā)明實(shí)施例提供的異常檢測(cè)裝置30可以實(shí)現(xiàn)為計(jì)算機(jī)處理器的網(wǎng)絡(luò)，以執(zhí)行本發(fā)明實(shí)施例中的動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法400。異常檢測(cè)裝置30也可以是如圖3所示的單臺(tái)計(jì)算機(jī)，包括至少一個(gè)存儲(chǔ)器301,其包括計(jì)算機(jī)可讀介質(zhì)，例如隨機(jī)存取存儲(chǔ)器(RAM)。裝置30還包括與至少一個(gè)存儲(chǔ)器301耦合的至少一個(gè)處理器302。計(jì)算機(jī)可執(zhí)行指令存儲(chǔ)在至少一個(gè)存儲(chǔ)器301中，并且當(dāng)由至少一個(gè)處理器302執(zhí)行時(shí)，可以使至少一個(gè)處理器302執(zhí)行本文所述的步驟。至少一個(gè)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(jì)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(jì)算機(jī)可讀介質(zhì)可以向計(jì)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(jì)算機(jī)編程語言的代碼，[0103]當(dāng)由至少一個(gè)處理器302執(zhí)行時(shí)，圖3中所示的至少一個(gè)存儲(chǔ)器301可以包含動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)程序31,使得至少一個(gè)處理器302執(zhí)行本發(fā)明實(shí)施例中所述的用于動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法400。動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)程序31可以包括：[0104]一個(gè)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(gè)動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布；[0105]一個(gè)數(shù)據(jù)獲取模塊312,被配置為接收實(shí)時(shí)監(jiān)測(cè)得到的當(dāng)前時(shí)間點(diǎn)t處動(dòng)態(tài)控制系統(tǒng)中傳感器的測(cè)量值和觸發(fā)器的狀態(tài)值；[0106]一個(gè)預(yù)測(cè)模塊313,被配置為：將至少一個(gè)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(cè)得到至少一個(gè)第二采樣點(diǎn)，其中，至少一個(gè)第一采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t之前的鄰近時(shí)間點(diǎn)t-1處動(dòng)態(tài)控制系統(tǒng)的隱狀態(tài)分布，至少一個(gè)第二采樣點(diǎn)用于表示在當(dāng)前時(shí)間點(diǎn)t處動(dòng)態(tài)控制系統(tǒng)先驗(yàn)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(gè)第二采樣點(diǎn)映射到傳感器測(cè)量值空間，以預(yù)測(cè)得到在當(dāng)前時(shí)間點(diǎn)t處動(dòng)態(tài)控制系統(tǒng)的傳感器測(cè)量值的概率分布；[0107]一個(gè)異常判斷模塊314,被配置為通過比較實(shí)時(shí)監(jiān)測(cè)得到的測(cè)量值與預(yù)測(cè)得到的概率分布來判斷動(dòng)態(tài)控制系統(tǒng)是否存在異常；[0108]可選地，異常檢測(cè)程序31還可包括一個(gè)更新模塊315,被配置為更新在當(dāng)前時(shí)間點(diǎn)t處動(dòng)態(tài)控制系統(tǒng)后驗(yàn)的隱狀態(tài)分布，用于獲取在當(dāng)前時(shí)間點(diǎn)t之后的鄰近時(shí)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(shí)采用的損失函數(shù)使得用于訓(xùn)練的各時(shí)間點(diǎn)處傳感器的測(cè)量值的重建誤差和預(yù)測(cè)誤差之和最小。[0110]可選地，所述至少一個(gè)第一采樣點(diǎn)和所述至少一個(gè)第二采樣點(diǎn)均為sigma采樣點(diǎn)。[0111]可選地，異常檢測(cè)裝置30還可包括一通信模塊303,與至少一個(gè)處理器302和至少一個(gè)存儲(chǔ)器301通過總線連接，用于異常檢測(cè)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(shí)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(shí)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(shí)現(xiàn)的各個(gè)功能模塊，用于實(shí)現(xiàn)異常檢測(cè)裝置30在執(zhí)行動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法時(shí)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(chǎng)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(shí)現(xiàn)方式可依工程實(shí)踐而定。[0114]可選地，異常檢測(cè)裝置30還可包括一通信模塊303,與至少一個(gè)處理器302和至少一個(gè)存儲(chǔ)器301通過總線連接，用于異常檢測(cè)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(shí)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(shí)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(shí)現(xiàn)的各個(gè)功能模塊，用于實(shí)現(xiàn)異常檢測(cè)裝置30在執(zhí)行動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方法時(shí)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(chǎng)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(shí)現(xiàn)方式可依工程實(shí)踐而定。[0117]下面，參照?qǐng)D4說明本發(fā)明實(shí)施例提供的動(dòng)態(tài)控制系統(tǒng)的異常檢測(cè)方