基于多变量时序数据的对抗攻击与防御方法

为了保证时序数据攻击检测模型的安全性,提出了基于多变量时间序列数据的对抗攻击与对抗防御方法.首先,针对基于自编码器的攻击检测模型,设计了在测试阶段实施的逃逸攻击.其次,针对设计的对抗攻击样本,提出了一种基于雅克比(Jacobian)正则化方法的对抗攻击防御策略,将模型训练过程中的Jacobian矩阵作为目标函数中的正则项,提高了深度学习模型对对抗攻击的防御能力.在工业水处理数据集BATADAL上进行实验,验证了所提出的对抗攻击方法和对抗防御方法的有效性.

基于SSI-PSO的汽车碰撞试验时序数据处理与分类方法

为实现汽车碰撞试验假人响应曲线数据集的类别辨识,研究了面向智能优化算法的问题转换与构造方法。针对假人曲线数据的特征处理与分类过程,提出了一种基于社会蜘蛛粒子群优化算法(SSI-PSO)的碰撞试验多变量时序数据特征选择与分类方法;利用汽车碰撞试验采集的假人曲线数据,测试和验证了该方法。结果表明:本文方法可获得面向假人曲线数据分类的最佳特征组合方式与较小规模的神经网络结构;该方法的假人曲线分类模型性能提升17.5%、分类精度达到96.5%。因而,实现了对碰撞试验假人响应曲线标注信息的有效分类。

数据驱动构造流程工业系统状态特征谱的方法

流程工业系统是一种典型的分布式复杂机电系统,其分布式控制系统(DCS)实时记录着整个系统所有设备的运行信息。为了挖掘出蕴含在DCS监测数据集中的系统运行健康状态信息,全面掌握系统总体运行健康状态,快速准确地辨识和定位故障,提出一种名为状态特征谱的方法,将蕴含在海量高维数据中的系统运行健康状态信息以图像的形式展现在二维平面上。通过观察和分析状态特征谱上像素点的位置和颜色的分布,在企业层面全面掌握系统运行健康状态。分别以化工领域通用的田纳西仿真数据和某化工企业DCS数据集为实例,构造了对应的状态特征谱,验证了所提方法的先进性、创新性和有效性。

聚变堆活化腐蚀产物多尺度可视分析方法研究

聚变能被认为是人类的终极清洁能源,而安全是聚变能发展的生命线。聚变堆冷却管道中的活化腐蚀产物是聚变堆的主要放射性源项,对聚变堆的屏蔽设计、人员防护和事故后果等都有重要影响。随着时间的推移,活化腐蚀产物不断累积,研究活化腐蚀产物在冷却管道中的分布特征对聚变安全有重要意义。现阶段,该领域的专家缺乏一种能够快速有效地分析活化腐蚀产物分布特征的方法。考虑到在研究过程中,根据不同的特性对聚变堆冷却管道的各个部分进行了分类,获得了大量的部件,因此,活化腐蚀产物广泛分布在部件中,由Co57、Co60、Mn54等多种放射性物质组成,活化腐蚀产物的组成和分布随着时间的推移而演变,因此活化腐蚀产物数据是多变量时序数据。针对活化腐蚀产物数据的特点和领域专家的分析需求,设计开发了一套可视分析系统,其主要特点包括:①针对冷却管道部件过多的问题,提出基于多层次聚类分析,以快速选出代表性部件进行深入分析,避免逐一查看所有部件;②针对时间跨度大的问题,基于多粒度划分方法自动提取潜在关键时间段,以聚焦关键时间段;③设计一套多视图联动可视分析系统,通过灵活交互快速得到活化腐蚀产物的整体分布特征。根据上述特点,最终设计了一个基于Web的系统,可以对聚变堆活化腐蚀产物进行多尺度、多粒度分析。国际热核聚变实验堆(ITER)是目前世界上最大的国际合作项目,以ITER反应堆2013—2020年活化腐蚀产物数据为例验证该方法的有效性,表明了该工具有助于选出代表性部件和关键时间段,能大幅度提高工作效率。

基于启发式时空图神经网络的多变量时序异常检测

针对信息物理系统的多变量时序数据的异常检测是预防系统故障、保证安全生产的必要手段.由于系统变量间的强耦合性和传播效应,设计异常检测算法时应考虑系统变量间的耦合特性、传播有向性和因果时滞性,从系统结构变化的角度检测早期异常.本文提出一种端到端的启发式时空图神经网络(heuristic spatio-temporal graph neural network, HST-GNN)用于多变量时序数据的异常检测.首先,考虑变量间关系的有向性和集群性,设计一种有向相似性函数和基于启发式聚类算法的图结构学习算法,对多变量时序数据进行图建模以学习变量间的空间耦合关系;其次,使用门控卷积注意单元和多头图注意层作为时空图注意模块,从时空层面同时捕获系统的非线性因果时序和空间耦合深度特征;最后,量化系统的图结构特征,将其作为时空图网络提取的传感器深度特征的补充,输入自编码器中,从系统级别和传感器级别来检测异常.本文在4个公共数据集上验证了HST-GNN的性能.实验结果表明,稀疏有向的图结构有利于系统耦合特性的提取,从系统和传感器级别检测异常增加了模型对不显著的早期异常的敏感度.

基于故障图谱的企业级故障模式识别方法

基于流程工业实时监控子系统积累的海量监控数据集,提出一种利用系统固有属性将系统监测数据集转换为二值数字图像,进而构造系统故障图谱的新方法。通过分析故障图谱,在企业层面上实现了故障模式识别。利用监测数据正常运行时的监测值范围,将监测数据分为正常数据和异常数据两类。对两类数据分别着以黑色或白色,画出系统故障图谱。引入数字图像处理技术,利用传统的数字图像相似度算法,在故障模式库中搜寻相近的故障图谱,实现系统级别的故障模式识别。结合两个应用实例,验证了算法的正确性和实用性。