买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海交通大学宁波人工智能研究院;浙江国利网安科技有限公司申请的专利一种面向工业控制系统的异常检测系统和方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115484102B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211131264.1，技术领域涉及：H04L9/40；该发明授权一种面向工业控制系统的异常检测系统和方法是由夏武;还约辉;杨根科;褚健设计研发完成，并于2022-09-16向国家知识产权局提交的专利申请。

本一种面向工业控制系统的异常检测系统和方法在说明书摘要公布了：本发明公开了一种面向工业控制系统的异常检测系统和方法,涉及异常检测领域，所述系统包括：数据采集模块、数据预处理模块、异常检测模型训练模块、阈值设定模块、异常检测模块和结果输出模块。所述方法包括：步骤1、采集训练数据；步骤2、进行数据预处理；步骤3、学习时间维特征；步骤4、学习时间序列相关性；步骤5、重构所述多维时间序列数据；步骤6、设置异常阈值；步骤7、实时在线检测；步骤8、输出检测结果。本发明能够有效的对时间序列进行建模，学习正常序列的周期规律，且能够有效对异常污染的时间序列数据进行鲁棒性建模；采用极值定理对训练过程中的重构误差进行学习，自动化设定阈值，避免按照经验值设定的不便。

本发明授权一种面向工业控制系统的异常检测系统和方法在权利要求书中公布了：1.一种面向工业控制系统的多维时间序列异常检测系统，其特征在于，包括： 数据采集模块，所述数据采集模块记录工业控制系统的多维时间序列数据； 数据预处理模块，所述数据预处理模块连接所述数据采集模块，对采集到的所述多维时间序列数据进行预处理，得到多批次的多维时间序列子序列； 异常检测模型训练模块，所述异常检测模型训练模块连接所述数据预处理模块，接收多批次的多维时间序列子序列，构建和训练用于异常检测的神经网络模型，称为异常检测模型，所述异常检测模型训练模块的输出为输入的所述多维时间序列数据的重构数据； 阈值设定模块，所述阈值设定模块连接所述异常检测模型训练模块，计算所述重构数据与输入的所述多维时间序列数据之间的误差，称为重构误差，以所述重构误差作为样本数据，采用极值定理进行学习，自动设定异常阈值； 异常检测模块，将实时采集的时间序列数据经过所述数据预处理模块后，输入到训练好的所述异常检测模型中计算所述重构误差，将所述重构误差作为异常分数，比较所述异常分数与所述异常阈值；当所述异常分数小于所述异常阈值时，则认为所述实时采集的时间序列数据存在异常； 结果输出模块，所述结果输出模块连接所述异常检测模块，对于检测到的异常的所述实时采集的时间序列数据，输出异常检测结果； 在所述异常检测模型训练模块中，所述异常检测模型采用一维卷积神经网络学习时间序列的时序特征，采用随机循环神经网络学习时序之间的相关性，通过变分自编码器对输入的所述多维时间序列数据进行重构；通过所述重构误差、隐空间向量的后验分布和假设先验分布的KL散度来构造损失函数；通过优化所述损失函数进行模型训练，当所述损失函数达到最小时，保存所述异常检测模型的参数； 所述系统还包括一种面向工业控制系统的多维时间序列异常检测方法，所述方法包括以下步骤： 步骤1、对工业控制系统的个传感器和个执行器按照预先设定的频率连续采样，采样时间长度为，得到多维时间序列数据的样本，大小为，其中，为采样数据长度，由所述频率和所述采样时间长度计算得出；为采样数据维度，； 步骤2、进行数据预处理，设置滑动时间窗口，包括起始时间和终止时间；所述滑动时间窗口的长度为，宽度为所述多维时间序列数据的所述采样数据维度；将所述滑动时间窗口在所述多维时间序列数据上滑动，直至序列数据结束；设定每次滑动的步长大小为，将所述多维时间序列数据分割成多个子序列片段，；当所述多维时间序列数据在不断采样之后所剩余序列的长度小于所述滑动时间窗口的长度时，则直接将该片段作为子序列；选定批次大小为，分割后的子序列片段分为多个大小为的批次，每一批次的子序列大小为（； 步骤3、学习时间维特征，首先，使用多个一维卷积神经网络对输入的所述多维时间序列数据沿其时间维度进行一维卷积，学习得到时序特征的低维表示，然后，对所述时序特征的低维表示进行反卷积，输出为； 步骤4、学习时间序列相关性，首先，将输入随机循环神经网络的变分编码网络，学习时间序列之间的相关性，得到低维表示，然后，将经过得到增强的低维表示；所述步骤3和所述步骤4构成变分自编码器的结构中的近似推理网络： 其中，表述为输入的数据，表示输出，表示概率分布函数，表示在输入数据为的前提条件下输出的概率分布，表示在输入为的前提条件下输出的概率分布，表示输入为的前提下，输出为的分布函数，为中间输出，表示最终输出； 具体为： ， 其中：表示时刻，表示在时刻采集到的数据，和分别表示由输入经过学习得到的输出，表示对输入进行一维卷积操作得到的输出为，表示一维卷积操作，表示通过对进行反卷积操作得到的输出，表示反卷积操作，中表示门控循环单元GRU操作，分别表示在和时刻循环神经网络运算中生成的特征参数，表示由得到的时刻的特征参数和学习到的参数一起作为输入，得到时刻参数的概率分布函数； 步骤5、重构所述多维时间序列数据； 步骤6、设置异常阈值； 步骤7、实时在线检测； 步骤8、输出检测结果； 在所述步骤5中，对所述时序特征的所述低维表示进行反卷积得到解码网络的输入，将包含的时序信息作为外部输入，输入到所述随机循环神经网络中，构建和训练用于异常检测的神经网络模型，称为异常检测模型，同时，结合时间序列之间的所述低维表示来实现对原始输入的所述多维时间序列数据的重构，得到重构数据，可表示为： 具体为： ， 其中：表示对进行反卷积操作，构造损失函数来对近似模型与生成模型联合优化； 根据所述变分自编码器的优化函数： 的形式， 构造优化函数为： ， 优化方式包括采用蒙特卡洛采样、SGVB估计器和重参数技巧； 在所述步骤6中，计算所述重构数据与原始输入的所述多维时间序列数据之间的误差，得到重构误差； 以所述重构误差为样本，采用极值定理自动化设定阈值为，由极值定理： ， 异常阈值的计算公式为： ， 其中，为初始设定阈值，为需要学习的参数，为设定的概率大小，为输入样本数，为样本中大于初始阈值的数目，同时添加实时计算的异常分数对检测阈值进行迭代更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学宁波人工智能研究院;浙江国利网安科技有限公司，其通讯地址为：315012 浙江省宁波市海曙区南门街道南站西路29号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。