(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210126690.X (22)申请日 2022.02.10 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 王成　唐昊　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06F 16/36(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 5/02(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向工业设备异常监测的时序数据与 知识融合表征方法 (57)摘要 本发明属于工业设备异常监测领域， 提出了 一种面向工业设备异常监测的时序数据与知识 融合表征方法。 其特征在于， 包括如下步骤： 步骤 1.预处理； 步骤2.构建 “设备‑事件‑状态”多层关 联图谱， 并通过引入数据关联、 时间关联、 先验关 联进行更新； 步骤3.网络表征学习。 解决了传统 设备数据库专业性强、 适应性弱的弊病， 为工业 互联网场景中数据的自动化处理提供了新的思 路和解决方法。 权利要求书3页 说明书9页 附图4页 CN 114625883 A 2022.06.14 CN 114625883 A 1.一种面向工业设备异常监测的时序数据与知识融合表征方法， 其特征在于， 包括如 下步骤： 步骤1.预处 理 步骤1.1划分并收集原 始数据 划分工业设备功能单 元， 根据功能单 元收集所需要的原 始数据； 步骤1.2预处 理 对原始的数据进行预处理， 具体为： 首先对带 噪声的原始数据进行平滑， 然后按照功能 将相关的数据整合在一 起； 步骤1.3离散化处理 对原始工业设备事 件数据中的所有属性进行离 散化处理； 步骤2.构 建“设备‑事件‑状态”多层关联图谱， 并通过引入数据关联、 时间关联、 先验关 联进行更新 步骤2.1对预处 理结束之后的数据， 构建多层次融合的分层关联图谱 所述分层关联图谱分为图谱设备层， 图谱 事件层和图谱状态层： 所述图谱设备层是由不同设备组成的空间,即D＝{a1,a2,…,b1,b2,…}， 其中a1,a2,…, b1,b2,…为不同元设备； 所述图谱事件层是由发生的不同事件组成的序列空间， 即E＝{e1,e2,e3,…}， 其中e1, e2,e3,…代表设备相关的不可 再分的元事 件， 事件类型包括 正常事件和异常事 件； 所述图谱状态层是由设备的不同特征组成的空间， 即A＝{n1,n2,…,T1,T2,…,i1, i2,…}。 其中， n1,n2,…,T1,T2,…,i1,i2,…为不同元状态； 遍历图谱设备层中的设备节点， 通过有向边与图谱事件层中所有正常事件节点相连 接， 有向边权 重设置为该正常事 件发生的时间； 遍历图谱设备层中的设备节点， 通过有向边将图谱事件层中所有异常事件节点与设备 层对应节点相连接， 有向边权 重设置为该异常事 件发生的时间； 遍历图谱事件层中的事件节点， 通过有向边将该事件节点与图谱状态层中所有相关联 的状态节点相连接， 有向边权重设置为该状态所属的功能模块类型， 所述功 能模块类型需 统一编码； 遍历图谱事件层中的事件节点， 通过有向边将该事件节点与存在依赖关系的其他事件 节点连接， 有向边权 重设置为两个事 件发生的时间 间隔； 通过这种方法， 得到的分层图谱可表示 为 G1＝(V1,R 1), 其中节点 集合V1＝D∪E∪ A, 有向边集合R1＝D→E∪E→D∪E→A∪E→E， 其中， D→E表示由设备层到事件层有向边的集合， E →D由事件层到设备层有向边的集 合， E→A表示由事 件层到状态层有向边的集 合， E→E表示事件间有向边的集 合； 步骤2.2通过引入数据关联、 时间关联、 先验关联以更新所述 “设备‑事件‑状态”多层关 联图谱， 并根据设备之间的关联性和概 率分布情况进行建模得到一张完整的概 率图模型 步骤2.2.1通过对预处理后的原始数据特征进行统计分析并辅以历史的经验知识， 引 入状态层上的数据关联， 引入历史数据中的相关 设备， 并更新节点 集合V1， 得到新 集合V2；权　利　要　求　书 1/3 页 2 CN 114625883 A 2步骤2.2.2本发明通过引入时间关联， 进一 步丰富设备层和事 件层之间的关联信息； 具体来说， 每当设备的一个事件在ti时刻发生， 连结对应的设备节点和事件节点， 给对 应的边赋予相应的权重ti， 并且对D →E和E→D中的相关边进行更新操作； 更新后边的集合 R2， 引入时间关联后的关联图谱可表示 为： G2＝(V2,R2)， 其中， V 2,R2的意 义同V1， R 1； 步骤2.2.3专家知识融合贝叶斯网络模型， 根据设备之间的关联性和概率分布情况进 行建模得到一张完整的概 率图模型； 本发明用专家知识融合贝叶斯网络模型， 综合多名领域专家知识经过 决策得到了一个 包含先验知识的网络结构G3＝(V3,R3)， 去除绝大多数不可能的网络结构； 其中V3＝{S1, S2,...,Sn}代表一组设备状态Sn的随机特征变量序列， R3代表有向边的集合， 其中， V3,R3的 意义同V1， R 1； 因为也存在专家意见不统一的情况， 以及包含专家知识无法包含的隐性关联， 专家知 识得到的网络结构并不是最终的网络结构， 需要使用学习算法对G3进 行处理以获取更准确 的结构表达， 得到最终的网络结构G4 ＝(V4,R4)， 其中， V4,R4的意 义同V1， R 1； 最后利用G4＝(V4,R4)对G2＝(V2,R2)进行更新： 对于V2中没有出现的节点， 利用V4 的 节点集合对V2进行更新， 对于R2中存在但是R4中不存在的边， 予以删除， 对于R2中不存在但 是R4中存在的边， 予以补充； 最终得到了多层关联图谱G5＝(V5,R5)， 其中， V5,R5的意义同 V1， R1； 步骤3.网络表征 学习 基于上述步骤中所构 建的信息 网络图G5， 首先得到G5中设备 ‑事件‑状态节点的邻接矩 阵Z， 根据Z得到度矩阵 然后采用异质网络表征学习方法， 通过多次图卷积层学习特征， 如 公式(1)； 其中， W(l)为权重矩阵， 使用随机值初始化， 是 可训练的参数矩阵。 H(l)为输入向量， H(0)通过随机游走对图进行采样从G5中得到， l代表神经网络的第l层， σ 代表激活函数， In是单位矩阵； 实施中根据需求和复杂度确定神经网络的层数L， 使用上述公式经过叠加多次卷积层 得到最终特 征表示H(L)。 2.如权利要求1所述一种面向工业设备异常监测的时序数据与知识融合表征方法， 其 特征在于， 步骤1.3 离散化处理具体如下： 对于离散型数据， 保留其原本的离散性； 对于连续型数据， 根据业务特点设置基本单 元， 将原始属性值量化为基本单 元的倍数， 使其变为离 散型数据。 3.如权利要求1所述一种面向工业设备异常监测的时序数据与知识融合表征方法， 其 特征在于， 步骤2.2.3具体的构建方式如下： ①假设选定变量序列中， 任意两个变量之间都存在依赖关系， 并且通过Si→Sj与Sj→Si权　利　要　求　书 2/3 页 3 CN 114625883 A 3