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！

龙图腾网获悉上海大学;博众精工科技股份有限公司申请的专利一种面向工业数字化的双域对比融合时间序列异常检测方法、系统、设备、介质及产品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：CN121117905B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511675923.1，技术领域涉及：G06F18/2433；该发明授权一种面向工业数字化的双域对比融合时间序列异常检测方法、系统、设备、介质及产品是由刘月华;辛立明;段帅;黄知秋;吕绍林;孔浩设计研发完成，并于2025-11-17向国家知识产权局提交的专利申请。

本一种面向工业数字化的双域对比融合时间序列异常检测方法、系统、设备、介质及产品在说明书摘要公布了：本申请公开了一种面向工业数字化的双域对比融合时间序列异常检测方法、系统、设备、介质及产品，涉及时间序列异常检测领域，该方法包括获取待检测多变量时序数据并以滑动窗口切分成若干子序列；将各子序列输入双域特征融合模型，获得联合高阶特征向量；依据各联合高阶特征向量与预设正常特征中心的偏离度确定异常分数，并根据异常分数得到待检测多变量时序数据中每个子序列的异常判断结果。本申请通过双域特征融合，全面捕捉时间序列的时域和频域信息，有效整合长期和短期模式，避免了单一域建模的局限性，提升了异常检测的敏感度和准确性，为工业数字化等场景下的时间序列异常检测提供了高效可靠的解决方案。

本发明授权一种面向工业数字化的双域对比融合时间序列异常检测方法、系统、设备、介质及产品在权利要求书中公布了：1.一种面向工业数字化的双域对比融合时间序列异常检测方法，其特征在于，包括： 获取待检测的多变量时间序列数据，并使用预设滑动窗口按照预设步长对待检测的多变量时间序列数据进行切分，得到多个子时间序列数据； 将所有的子时间序列数据输入双域特征融合模型，得到待检测的多变量时间序列数据的联合高阶特征向量；所述双域特征融合模型包括频域编码器、时域编码器和融合模块；所述频域编码器用于获取每个子时间序列数据的频域特征向量，并输入至融合模块；所述时域编码器用于获取每个子时间序列数据的时域特征向量，并输入至融合模块；所述融合模块用于根据每个子时间序列的所述频域特征向量与所述时域特征向量通过加权融合方法进行特征融合操作，生成每个子时间序列数据的联合高阶特征向量；具体的，融合模块包括：依次连接的特征调节单元和克罗内克积融合单元；所述融合模块对每个子时间序列数据分别执行以下操作：特征调节单元基于子时间序列数据的频域特征向量与时域特征向量，通过双线性变换方法，生成子时间序列数据对应的交互权重；并所述交互权重分别对子时间序列数据的频域特征向量与时域特征向量进行加权，得到子时间序列数据的调节后频域特征与调节后时域特征；克罗内克积融合单元将所述调节后频域特征与调节后时域特征各自拼接常数1，形成增广特征；对所述增广特征执行克罗内克积操作，得到子时间序列数据的联合高阶特征向量； 基于每个子时间序列数据的联合高阶特征向量与预设正常样本特征中心之间的偏离度，确定每个子时间序列数据对应的异常分数； 基于每个子时间序列数据对应的所述异常分数通过预设异常判断方法确定待检测的多变量时间序列数据中每个子时间序列数据的异常检测结果；所述预设异常判断方法包括遍历待检测的多变量时间序列数据，若当前子时间序列数据的异常分数大于预设异常分数阈值，则判定当前子时间序列数据的异常检测结果为存在异常；若当前子时间序列数据的异常分数小于等于预设异常分数阈值，则判定当前子时间序列数据的异常检测结果为不存在异常； 双域特征融合模型的训练方法，具体包括： 获取历史多变量时间序列数据，并使用预设滑动窗口按照预设步长对历史多变量时间序列数据进行切分，得到多个历史子时间序列数据； 获取历史子时间序列数据和与历史子时间序列数据对应的正样本数据和负样本数据，构成训练样本集；所述历史子时间序列数据是使用预设滑动窗口按照预设步长对历史多变量时间序列数据进行切分得到的；所述正样本数据为与当前历史子时间序列数据在时间上相邻的正常子时间序列数据；所述负样本数据为在当前历史子时间序列数据中注入局部扰动所形成的异常子时间序列数据； 将当前批次的训练样本子集中的各个历史子时间序列数据、正样本数据和负样本数据分别输入至双域特征融合模型，得到联合高阶特征向量集合；所述联合高阶特征向量集合包括各个历史子时间序列数据对应的联合高阶特征向量、各个正样本数据对应的联合高阶特征向量和各个负样本数据对应的联合高阶特征向量；所述训练样本子集从所述训练样本集中获取； 基于联合高阶特征向量集合，利用对比学习损失函数，计算当前次迭代的损失；对比学习损失函数的表达式为： ； 其中，表示对比学习损失函数；表示预设的批次大小；b表示当前批次中第b个历史子时间序列数据；和分别表示第b个历史子时间序列数据对应的联合高阶特征向量和第b个正样本数据对应的联合高阶特征向量；表示当前批次中第j个历史子时间序列数据对应的联合高阶特征向量；表示第j个负样本数据对应的联合高阶特征向量； 根据当前次迭代的损失对双域特征融合模型的参数进行优化； 判断是否达到迭代结束条件，得到判断结果；所述迭代结束条件包括对比学习损失函数值在连续预设迭代次数内的下降幅度均小于预设幅度阈值，或达到预设最大迭代次数； 若所述判断结果为是，则输出参数优化后的双域特征融合模型作为训练后的双域特征融合模型； 若所述判断结果为否，则在训练样本数据集中重新获取当前批次的训练样本子集，返回“将当前批次的训练样本子集中的各个历史子时间序列数据、正样本数据和负样本数据分别输入至双域特征融合模型，得到联合高阶特征向量集合”步骤，进行下一次迭代优化。

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大学;博众精工科技股份有限公司，其通讯地址为：200444 上海市宝山区上大路99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”。

以上内容由龙图腾AI智能生成。