李建偉 魯一萍 郭 宏

（1.太原科技大學(xué)計算機科學(xué)與技術(shù)學(xué)院 太原 030024）（2.太原科技大學(xué)機械工程學(xué)院 太原 030024）

1 引言

工業(yè)設(shè)備中，一把刀在監(jiān)測過程中會產(chǎn)生幾千萬甚至上億的數(shù)據(jù)［1，7］，而且生成十分迅速，較難捕捉到異常數(shù)據(jù)，刀具的監(jiān)測往往需要采用實時的方法進行。傳統(tǒng)工業(yè)中常用的3σ建模方法［1］已經(jīng)不能滿足現(xiàn)有的刀具異常數(shù)據(jù)監(jiān)測。

目前，異常數(shù)據(jù)的檢測方法多種多樣，有基于距離的異常檢測［2］，基于密度的異常檢測［3］等。近幾年也有一些針對流數(shù)據(jù)的異常處理方法，如基于多分辨率網(wǎng)格的異常檢測方法［4］，基于在線集成學(xué)習(xí)和隔離機制的流數(shù)據(jù)異常檢測算法［5~6］，基于ST與孤立森林的流數(shù)據(jù)異常檢測算法［7~8］，基于聚類的異常檢測算法［9］，基于稀疏表征的異常點檢測方法［10］等。

此外，Hassan Sarmadi 等提出一種基于自適應(yīng)馬哈拉諾比斯平方距離和一類稱為AMSD-kNN 的kNN規(guī)則的新穎異常檢測方法［11］，用于在變化的環(huán)境條件下SHM［11］，為SHM 創(chuàng)建了一種新穎的無監(jiān)督學(xué)習(xí)策略，這是針對一類變化的異常檢測，不是普遍適用的。還有k 近鄰的方法解決查找相似日志數(shù)據(jù)的異常［12］，自適應(yīng)的離群值檢測［13］，基于統(tǒng)計模式的系統(tǒng)調(diào)用跟蹤特征提取方法［14］，用于心電檢測的一維的卷積神經(jīng)網(wǎng)絡(luò)的異常檢測［15］。

LSTM［16］適用于對時間性要求較高的數(shù)據(jù)檢測，因此本文提出一種基于LSTM 的刀具異常檢測方法。

2 LSTM模型

2.1 模型介紹

LSTM最顯著的特征便是可以快速學(xué)習(xí)數(shù)據(jù)的新特點，實時地調(diào)節(jié)更新網(wǎng)絡(luò)，以保證模型的準確性、有效性。本實驗選擇一個合適的時間窗口，將數(shù)據(jù)分組進行預(yù)測，利用差值進行分布建模，求出閾值，之后進行比較，來直觀地觀察判斷每個數(shù)據(jù)異常的可能性。

用pt表示t時刻模型接收到的實時數(shù)據(jù)，pt是來自傳感器網(wǎng)絡(luò)采集的傳感器數(shù)據(jù)，因此模型的輸入為ptt，ptt+1，ptt+2……為了可以清楚地計算出每個異常數(shù)據(jù)的可能性，將每個數(shù)據(jù)預(yù)測建模求出一個值，與閾值進行比對。

2.2 長短時記憶神經(jīng)網(wǎng)絡(luò)LSTM

LSTM可以通過輸入大量訓(xùn)練的流數(shù)據(jù)進行多次迭代來調(diào)整自身的參數(shù)，得到一個訓(xùn)練數(shù)據(jù)的模型。LSTM網(wǎng)絡(luò)在隱含層中加入了一個狀態(tài)來存儲長期狀態(tài)，避免了梯度消失的問題。

LSTM邏輯架構(gòu)示意圖如圖1所示。

圖1 LSTM邏輯架構(gòu)示意圖

首先是遺忘門，它用來控制LSTM是否讓前一時刻學(xué)到的信息ct-1通過。然后是輸入門，通過sig?mod 決定哪些值這一層進行更新，一個tanh 層用來生成新的候選值ct，ct作為當(dāng)前層產(chǎn)生的候選值添加到cell state 中，把這兩部分產(chǎn)生的值結(jié)合來進行更新。ct的更新公式如式（1）所示：

最后是決定模型的輸出，通過sigmod層得到一個初始輸出，再使用tanh 將值縮放到-1~1 之間，與sigmod得到的輸出逐對相乘，從而得到模型的輸出ht，ht的計算公式如式（2）所示：

輸出門和單元狀態(tài)ct共同決定LSTM的輸出。

和其他的神經(jīng)網(wǎng)絡(luò)類似，疊加隱含層可以使得整個模型更加深入，得到較為準確的輸出。本文有兩個隱含層，其堆疊模型如圖2所示。

圖2 LSTM堆疊模型結(jié)構(gòu)

3 模型實施

為了解決2.1 節(jié)提出的問題，運用LSTM 進行刀具數(shù)據(jù)預(yù)測，及時地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，避免預(yù)測不準確。除此之外，預(yù)測之后的差值不直接作為與閾值進行比較的對象，而是將差值進行正態(tài)分布建模，再依據(jù)差值在分布內(nèi)的概率密度函數(shù)值來分配當(dāng)前時刻數(shù)據(jù)的異常值，具有可靠性。

3.1 模型框架

首先將從傳感器采集到的刀具數(shù)據(jù)進行預(yù)測得到預(yù)測值pt'，將pt'與t時刻的數(shù)據(jù)pt進行比較，計算預(yù)測差值xt。得到xt后，選擇一個合適的時間窗口［t1，t2］，計算這段時間內(nèi)差值xt的均值和方差，再用求得的均值和方差進行正態(tài)分布建模，計算得到差值xt的概率密度函數(shù)值F（xt），F(xiàn)（xt）為pt的異常值；之后將F（xt）與異常值閾值A(chǔ)S（AS∈［0，1］）進行比較，大于閾值，則pt屬于異常數(shù)據(jù)，否則pt為正常數(shù)據(jù)。

圖3 方法整體流程

3.2 異常檢測

實驗共采集了六把刀的數(shù)據(jù)，其中用前三把刀的數(shù)據(jù)來訓(xùn)練LSTM 模型，后三把刀依次送入訓(xùn)練好的模型中，做異常檢測。閾值A(chǔ)S是由前三把刀的歷史正常數(shù)據(jù)訓(xùn)練得出，具有一定的代表性。

通常情況下，預(yù)測與實際的差值xt轉(zhuǎn)換為統(tǒng)一量度的異常值概率密度函數(shù)F（xt），然后將異常值與之前求得的閾值進行比較，大于閾值A(chǔ)S的即為異常數(shù)據(jù)。

但是由于數(shù)據(jù)量較大，容易出現(xiàn)概念漂移的現(xiàn)象，正常數(shù)據(jù)和異常數(shù)據(jù)的模式都會受到一定的影響，單一將差值作為計算異常值的點，會使得在發(fā)生概念漂移之后的異常數(shù)值不是十分準確。因此本文選擇一個合適的時間窗口，將窗口內(nèi)的差值序列進行一個正態(tài)分布建模，計算F（xt）。

這樣每個數(shù)據(jù)的異常分數(shù)就取決于t時刻以及之前的一段時間的預(yù)測差值分布，所求得的異常分數(shù)可以根據(jù)刀具數(shù)據(jù)的變化而變化，提高了預(yù)測的準確性。F（xt）計算如式（3）：

其中μ和σ2是時間窗口中差值序列的平均值和方差，x是滑動窗口里的實際時間序列數(shù)據(jù)。

本文選取第n個異常所在時間區(qū)間作為建模分布的區(qū)間，維持這個區(qū)間有利于讓差值序列更符合模擬數(shù)據(jù)的實時模式。實驗分別對后三把刀進行了一個異常檢測，由于初檢測的時候，刀具適應(yīng)傳感器需要一定的時間，所以在檢測異常的時候選取中間30s~60s的時間段作為時間窗口，AS根據(jù)公式求得0.13789，結(jié)果如圖4~圖6所示。

圖4 第四把刀的異常檢測

圖5 第五把刀的異常檢測

圖6 第六把刀的異常檢測

異常檢測的結(jié)果表明：LSTM 可以有效預(yù)測得出當(dāng)前刀具的異常情況，完成了異常數(shù)據(jù)的識別。

4 實驗結(jié)果分析

4.1 實驗環(huán)境以及流程

實驗環(huán)境：本文所用的實驗環(huán)境為戴爾筆記本，CPU：Intel 酷睿i7 7700HQ，內(nèi)存32GB，GPU：GeForceGTX1080Ti×4，操作系統(tǒng)為Windows10，開發(fā)環(huán)境為使用Python3.6 語言的jupyter notebook 集成的開發(fā)工具，使用Keras 提供的LSTM 神經(jīng)網(wǎng)絡(luò)模型。

實驗的流程按照數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)歸一化處理、模型的訓(xùn)練、調(diào)參數(shù)、數(shù)據(jù)預(yù)測以及正態(tài)分布建模幾個步驟完成，如圖7所示。

圖7 實驗流程圖

數(shù)據(jù)采集：利用太原科技大學(xué)機械工程實驗室已有的傳感器設(shè)備，采集到六把銑刀的數(shù)據(jù)，包括溫度，切削力，振動以及噪聲等時序數(shù)據(jù)。

數(shù)據(jù)預(yù)處理：由于采集到的數(shù)據(jù)在開始的時候會有采集失誤，需要對采集到的原始數(shù)據(jù)進行數(shù)據(jù)清洗等操作，得到完整的數(shù)據(jù)。

數(shù)據(jù)標準化處理：由于刀具的切削力、振動等參數(shù)同時作為特征值輸入，一次采集到的數(shù)據(jù)量一般達到七千萬，而且不能因為刀具數(shù)據(jù)量過大就對預(yù)測影響的比例變大，所以需要對特征序列進行最大-最小標準化處理，處理方式如式（4）所示：

調(diào)參數(shù)：在數(shù)據(jù)訓(xùn)練的過程中不斷地調(diào)整網(wǎng)絡(luò)框架結(jié)構(gòu)以及LSTM 層中的參數(shù)值，一直到整個模型的預(yù)測效果最佳。

4.2 對比驗證

4.2.1 單雙層網(wǎng)絡(luò)對比

1）首先搭建單層的LSTM 神經(jīng)網(wǎng)絡(luò)和全連接層模型，對刀具數(shù)據(jù)進行預(yù)測，將前兩把刀的數(shù)據(jù)作為訓(xùn)練集，第三把刀的數(shù)據(jù)作為測試集。慮到模型的準確度之后，經(jīng)過多次調(diào)試與測試，將網(wǎng)絡(luò)層中的隱藏神經(jīng)元設(shè)置為64，其實驗結(jié)果如表1 所示。

表1 單層神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

2）實驗二搭建了兩層的LSTM 網(wǎng)絡(luò)層和全連接層模型，其中第一個LSTM 層隱藏神經(jīng)元和單層的一樣，第二層設(shè)置為128，采用相同的訓(xùn)練集和測試集，放到模型中繼續(xù)訓(xùn)練測試之后，其實驗結(jié)果如表2所示。

表2 雙層神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

從實驗二的結(jié)果可以看出，兩層LSTM 模型的預(yù)測性能大大增加，預(yù)測準確率也增加了約50%。

除此之外，由文獻［17］可知，適當(dāng)?shù)脑黾由窠?jīng)網(wǎng)絡(luò)層數(shù)可以提高預(yù)測的準確率，但是本文在增加了三層神經(jīng)網(wǎng)絡(luò)后，準確率只提高了不到0.001%，說明不斷增加神經(jīng)網(wǎng)絡(luò)的層數(shù)并不一定能使預(yù)測的性能達到改善，相反還增加了計算的冗余。故而，對于像刀具數(shù)據(jù)的這種時間序列來說，綜合計算量和預(yù)測性能，在適當(dāng)?shù)木W(wǎng)路層數(shù)下，可以不必增加網(wǎng)絡(luò)層數(shù)。

最終LSTM 模型使用含有2 個隱含層，每個隱含層的神經(jīng)元個數(shù)分別為128，64，時間步長為165。為了避免過擬合現(xiàn)象采用dropout機制，drop?out設(shè)置為0.2，提高模型整個的泛化能力。

4.2.2 LSTM算法與PCA降維算法對比

為了證明LSTM 算法的有效性，將LSTM 算法與本組另一個PCA 降維算法在最后的預(yù)測準確度方面進行了對比，準確度的計算如式（5）：

pt是原始數(shù)據(jù)，pt'是通過預(yù)測之后的數(shù)據(jù)，L是整個時間窗口的長度。準確度比較結(jié)果如圖8 所示。

圖8 準確度對比圖

通過對比實驗可以發(fā)現(xiàn)，LSTM 模型的準確度高于PCA模型，因此我們最終采用LSTM模型。

5 結(jié)語

本文提出了基于LSTM 的刀具異常數(shù)據(jù)檢測模型，通過捕獲時間序列中的關(guān)系，利用差值分布建模得出了閾值與異常值?？傮w來說，LSTM 方法準確度優(yōu)于PCA方法。PCA方法進行對比后，刀具異常數(shù)據(jù)檢測的準確率提高了約20%。實驗過程中采集的真實刀具數(shù)據(jù)，進一步驗證了LSTM 模型的有效性。