買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北方實驗室(沈陽)股份有限公司申請的專利一種基于工業過程時空建模的異常流量檢測方法和系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120434042B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510887692.4，技術領域涉及：H04L9/40；該發明授權一種基于工業過程時空建模的異常流量檢測方法和系統是由張健楠;李海濤;段曉祥;何永建;袁洪朋;韓曉娜;丁琳設計研發完成，并于2025-06-30向國家知識產權局提交的專利申請。

本一種基于工業過程時空建模的異常流量檢測方法和系統在說明書摘要公布了：本發明公開一種基于工業過程時空建模的異常流量檢測方法和系統，涉及異常流量檢測技術領域。本發明能夠提取更準確的空間特征和時序特征，構建更符合實際場景的模型，提高異常檢測效果。通過GRU和Informer聯合時序特征提取方法，提取工業過程數據的短期時序特性和長期時序特性，符合工業過程數據的特點，提高針對工業過程的異常流量檢測準確性。提出一種結合預測模型和重構模型的聯合優化策略，不僅使模型能夠識別時間序列的全局分布特征，還能關注到變量的個體特征，從而增強模型在異常檢測任務中的準確性和穩健性。

本發明授權一種基于工業過程時空建模的異常流量檢測方法和系統在權利要求書中公布了：1.一種基于工業過程時空建模的異常流量檢測方法，其特征在于，包括如下具體步驟： 獲取工業過程數據并對工業過程數據進行預處理，包括數據歸一化和數據窗口化，得到窗口序列化數據；所述工業過程數據為一個多變量時間序列，包括工業過程中采集得到的所有傳感器數據和執行器數據； 構建異常檢測模型；所述異常檢測模型用于根據輸入的一個時間窗口內的工業過程數據計算異常評分； 利用窗口序列化數據對異常檢測模型進行訓練，得到訓練完成的異常檢測模型； 獲取工業過程數據并進行預處理，將預處理后的一個時間窗口內的工業過程數據輸入訓練完成的異常檢測模型，得到異常評分，并根據異常評分，檢測是否發生異常； 所述異常檢測模型包括空間關系構建模塊、空間特征提取模塊、時序特征提取模塊、時序預測模塊、重構模塊和評分模塊； 所述空間關系構建模塊用于根據獲取的工業過程知識構建圖結構，并基于輸入的窗口數據對圖結構進行修正，得到有向圖G；所述工業過程知識中包括各自動化元件在工業過程中的空間關系；所述窗口數據為一個時間窗口內的工業過程數據； 所述空間特征提取模塊用于獲取有向圖G中每個節點的空間特征；所述空間特征提取模塊為圖注意力網絡； 所述時序特征提取模塊用于根據所有節點的空間特征，利用GRU模型提取短期時序特征并利用Informer模型提取長期時序特征； 所述時序預測模塊用于分別根據短期時序特征和長期時序特征進行預測，得到短期時序預測結果和長期時序預測結果； 所述重構模塊用于重構短期時序特征，得到短期時序特征的重構概率；采用變分自編碼器VAE作為重構模塊； 所述評分模塊用于根據短期時序預測結果、長期時序預測結果和重構模塊得到的短期時序特征的重構概率，計算異常評分； 所述圖結構的構建方法具體為：將每個自動化元件作為一個節點并用二元組A=c,r來表示，c代表自動化元件的類型，0為傳感器，1為執行器，r代表自動化元件在整個工業過程中所屬子過程的編號；然后通過工業過程知識中所包括的自動化元件的空間關系確定存在相互影響的自動化元件，并利用有向邊表示自動化元件之間的影響關系，構造出圖結構并用鄰接矩陣保存圖結構，同時獲得邊集合E；然后對構造的圖結構中的邊進行驗證，分別使用皮爾遜相關系數和傳遞熵對邊集合E中的邊進行修正，得到有向圖G； 所述分別使用皮爾遜相關系數和傳遞熵對邊集合E中的邊進行修正的過程具體為： 從輸入的窗口數據中提取出不同自動化元件的時序數據，計算不同自動化元件的時序數據之間的皮爾遜相關系數和傳遞熵，設定一個皮爾遜相關系數閾值θp和一個傳遞熵閾值θt，如果兩個自動化元件的時序數據之間的皮爾遜相關系數的絕對值大于等于皮爾遜相關系數閾值θp，則保留圖結構中這兩個自動化元件之間的邊，如果兩個自動化元件的時序數據之間的皮爾遜相關系數的絕對值小于皮爾遜相關系數閾值θp，則進一步判斷這兩個自動化元件的時序數據之間的傳遞熵是否大于等于傳遞熵閾值θt，若是則保留圖結構中這兩個自動化元件之間的邊，否則刪除圖結構中這兩個自動化元件之間的邊； 所述獲取有向圖G中每個節點的空間特征的方法具體為：首先初始化有向圖G中每個節點的特征，得到每個節點的初始空間特征：通過一個線性層將從輸入的窗口數據中提取的出不同自動化元件的時序數據轉化為維向量，得到該自動化元件對應節點的初始空間特征，其中為初始空間特征的維度，表示自動化元件的編號；然后利用圖注意力網絡的多頭注意力機制，更新每個節點的初始空間特征，得到每個節點最終的空間特征； 所述時序預測模塊將GRU模型輸出的短期時序特征中第個元素和對應的初始空間特征逐個相乘，再將結果輸入全連接層，進行短期序列預測，得到短期時序預測結果； 將長期時序特征輸入全連接層，得到到時刻所有自動化元件的數據的預測值構成的向量，即長期時序預測結果，為預測的未來工業過程數據的時間步長度； 所述異常評分為： （19）； 其中，為異常評分，是超參數，為時刻短期時序預測結果和長期時序預測結果中第個自動化元件數據的預測值的平均值，為時刻第個自動化元件的數據的真實值，為短期時序特征的第個元素的重構概率。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北方實驗室(沈陽)股份有限公司，其通訊地址為：110179 遼寧省沈陽市渾南區智慧三街199-1號(101)；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。