基于XGBoost特征筛选的工业时序数据的重建异常检测算法研究

摘要

针对工业生产中产生的大量时序数据,如何对无用数据进行有效剔除,并且判断传感器所采集数据是否正确,如何对时序数据进行有效异常检测,成为了研究者们关注的问题。在此期间,很多研究者都提出了自己的异常检测算法,但大多只考虑了时序数据的时间性特征,并未将传感器之间的相关性特征考虑进去。所以本文提出一种基于XGBoost特征筛选的多维自注意卷积门控循环编码解码器(MDACGA),对原始的数据集进行有效特征筛选,根据得分,剔除无关变量,提取有效变量。之后利用有效信息构建特征矩阵,采用全卷积编码器来对特征矩阵进行编码,提取不同时间序列间的相关性特征,采用基于注意力机制的ConvGRU来提取不同时间序列间的时间性特征。最后利用卷积解码器对前一步得到的特征矩阵进行联合解码,从而得到重建后的特征矩阵,利用Adam优化器和小批量随机梯度下降法来最小化重建误差。最终利用残差特征矩阵进行异常检测。实验结果显示,该算法达到0.989的准确率、0.996的召回率,足以表明该异常检测算法具有有效性,并且异常检测效果也优于一般基准算法。