本技術(shù)涉及風(fēng)險(xiǎn)預(yù)測(cè)的，尤其是涉及一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在多工況多狀態(tài)的復(fù)雜氫能制備過(guò)程中，報(bào)警閾值的合理設(shè)置成為了一個(gè)至關(guān)重要的挑戰(zhàn)。傳統(tǒng)上，業(yè)界廣泛采用的方法如3σ方法（基于統(tǒng)計(jì)學(xué)的正態(tài)分布假設(shè)，將閾值設(shè)定為平均值加減三倍標(biāo)準(zhǔn)差），雖能在一定程度上反映數(shù)據(jù)的波動(dòng)范圍，但在多工況環(huán)境中，其固定性難以適應(yīng)快速變化的生產(chǎn)條件。此外，基于專家知識(shí)的閾值設(shè)置方法依賴于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)和判斷，雖然能融入行業(yè)智慧，但在面對(duì)新型工藝或極端工況時(shí)可能顯得力不從心。而fap-map（誤報(bào)率與漏報(bào)率平衡法）方法則試圖在誤報(bào)和漏報(bào)之間找到最佳平衡點(diǎn)，但同樣需要頻繁的校準(zhǔn)和更新以適應(yīng)工況變化。

2、然而，這些方法共同的局限性在于，一旦報(bào)警閾值和/或正常閾值被設(shè)定，它們往往缺乏足夠的靈活性來(lái)即時(shí)響應(yīng)實(shí)際生產(chǎn)中的細(xì)微或顯著變化。這就意味著，即便是在初始階段精心設(shè)計(jì)的報(bào)警系統(tǒng)，也可能隨著生產(chǎn)環(huán)境的演變而逐漸失效，導(dǎo)致所謂的“滋擾報(bào)警”（即頻繁但無(wú)實(shí)際意義的報(bào)警）增加，同時(shí)誤報(bào)率和漏報(bào)率也隨之上升。這不僅增加了操作人員的負(fù)擔(dān)，還可能掩蓋了真正需要關(guān)注的異常狀況，進(jìn)而影響生產(chǎn)安全和產(chǎn)品質(zhì)量。

技術(shù)實(shí)現(xiàn)思路

1、為了提高報(bào)警閾值和/或正常閾值的靈活性，本技術(shù)提供了一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)方法及系統(tǒng)。

2、第一方面，本技術(shù)提供了一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)方法，采用如下的技術(shù)方案：

3、一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)方法，包括以下步驟：

4、數(shù)據(jù)采集：包括第一采集和第二采集；

5、第一采集：采集正常歷史數(shù)據(jù)、正常歷史指標(biāo)、異常歷史數(shù)據(jù)和異常歷史指標(biāo)，將正常歷史數(shù)據(jù)、正常歷史指標(biāo)、異常歷史數(shù)據(jù)和異常歷史指標(biāo)整合為歷史數(shù)據(jù)集；

6、第二采集：采集當(dāng)前時(shí)刻的數(shù)據(jù)；

7、設(shè)定閾值：包括第一構(gòu)建模型、動(dòng)態(tài)調(diào)整和計(jì)算閾值；

8、第一構(gòu)建模型：構(gòu)建時(shí)間序列模型，所述時(shí)間序列模型包括：stl子模型和arima子模型；

9、動(dòng)態(tài)調(diào)整：將正常歷史數(shù)據(jù)和正常歷史指標(biāo)輸入stl子模型，獲得正常歷史指標(biāo)周期性閾值；將正常歷史數(shù)據(jù)和正常歷史指標(biāo)輸入arima子模型，獲得正常歷史指標(biāo)預(yù)測(cè)閾值和置信區(qū)間；

10、計(jì)算閾值：基于周期性閾值、預(yù)測(cè)閾值和置信區(qū)間，計(jì)算正常指標(biāo)閾值的范圍，計(jì)算模型如下：

11、；

12、；

13、其中，為正常指標(biāo)閾值的上限；為正常指標(biāo)閾值的下限；b為周期性閾值；k為常數(shù)；為周期性閾值的標(biāo)準(zhǔn)差；為周期性閾值的權(quán)重；c為預(yù)測(cè)閾值；為置信區(qū)間的數(shù)值；為預(yù)測(cè)閾值的權(quán)重；

14、建模與訓(xùn)練：構(gòu)建bi-lstm模型，并采用歷史數(shù)據(jù)集訓(xùn)練bi-lstm模型；

15、第一預(yù)測(cè)：將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至訓(xùn)練后的bi-lstm模型，獲得第一預(yù)測(cè)指標(biāo)；

16、結(jié)果判斷：判斷第一預(yù)測(cè)指標(biāo)是否處于正常指標(biāo)閾值的范圍內(nèi)，若是，則執(zhí)行第一更新的步驟；若否，則執(zhí)行第二更新的步驟；

17、第一更新：將第一預(yù)測(cè)指標(biāo)增加至正常歷史指標(biāo)中，并執(zhí)行設(shè)定閾值的步驟；

18、第二更新：將第一預(yù)測(cè)指標(biāo)增加至異常歷史指標(biāo)中，并執(zhí)行報(bào)警的步驟；

19、報(bào)警：發(fā)出告警信號(hào)。

20、通過(guò)采用上述技術(shù)方案，本技術(shù)的時(shí)間序列模型包括stl子模型和arima子模型，能夠分別捕捉到數(shù)據(jù)的周期性和不確定性特征，為閾值的設(shè)定提供了科學(xué)依據(jù)，本技術(shù)基于時(shí)間序列模型設(shè)定了周期性閾值、預(yù)測(cè)閾值和置信區(qū)間，并且采用周期性閾值、預(yù)測(cè)閾值和置信區(qū)間計(jì)算正常指標(biāo)閾值的范圍，該閾值范圍兼顧了隨時(shí)間變化的設(shè)備狀態(tài)或者其他影響因素，使預(yù)測(cè)閾值更加貼近實(shí)際，例如以一個(gè)年為周期，學(xué)習(xí)季節(jié)性規(guī)律，或者以設(shè)備壽命為周期，學(xué)習(xí)設(shè)備退化規(guī)律對(duì)周期性閾值的影響等等，使設(shè)定的正常指標(biāo)閾值涵蓋了各種影響因素。本技術(shù)還采用了具有強(qiáng)大的時(shí)間序列數(shù)據(jù)處理能力，適用于處理具有復(fù)雜時(shí)間序列特征的數(shù)據(jù)的bi-lstm模型，bi-lstm模型能夠?qū)W習(xí)到歷史數(shù)據(jù)的內(nèi)在規(guī)律和特征，提高了預(yù)測(cè)的準(zhǔn)確性和可靠性。通過(guò)判斷第一預(yù)測(cè)指標(biāo)是否處于正常指標(biāo)閾值的范圍內(nèi)，能夠準(zhǔn)確判斷是否需要報(bào)警，根據(jù)判斷結(jié)果執(zhí)行第一更新或第二更新步驟，并且將第一預(yù)測(cè)指標(biāo)加入到相應(yīng)的歷史指標(biāo)中，并重新設(shè)定閾值或發(fā)出告警信號(hào)，形成了閉環(huán)的反饋機(jī)制。

21、可選地，所述方法還包括：

22、第一計(jì)算：基于第一預(yù)測(cè)指標(biāo)，計(jì)算誤報(bào)率和/或漏報(bào)率；

23、反饋調(diào)整：獲取誤報(bào)和/或漏報(bào)時(shí)所對(duì)應(yīng)的第一預(yù)測(cè)指標(biāo)，將第一預(yù)測(cè)指標(biāo)在異常歷史指標(biāo)和/或正常歷史指標(biāo)中刪除，并將第一預(yù)測(cè)指標(biāo)重新添加至正常歷史指標(biāo)和/或異常歷史指標(biāo)中，并執(zhí)行設(shè)定閾值的步驟。

24、通過(guò)采用上述技術(shù)方案，通過(guò)計(jì)算誤報(bào)率和漏報(bào)率，可以量化預(yù)測(cè)結(jié)果的準(zhǔn)確性。誤報(bào)率是指被錯(cuò)誤地判斷為異常的正常事件的比例，而漏報(bào)率是指被遺漏的異常事件的比例，這兩個(gè)數(shù)值能夠直觀地反映預(yù)測(cè)模型的性能。通過(guò)刪除誤報(bào)和漏報(bào)對(duì)應(yīng)的預(yù)測(cè)指標(biāo)，并將其重新添加到正確的歷史指標(biāo)類別中，可以優(yōu)化歷史數(shù)據(jù)集的質(zhì)量，有助于減少噪聲數(shù)據(jù)對(duì)模型訓(xùn)練的影響，提高模型的泛化能力。在重新調(diào)整歷史數(shù)據(jù)后，執(zhí)行設(shè)定閾值的步驟可以動(dòng)態(tài)地更新模型的閾值。這有助于使模型的閾值設(shè)置更加符合當(dāng)前數(shù)據(jù)的特征，從而提高預(yù)測(cè)的準(zhǔn)確性。反饋調(diào)整步驟形成了一個(gè)閉環(huán)的反饋機(jī)制，使得模型能夠根據(jù)預(yù)測(cè)結(jié)果的準(zhǔn)確性進(jìn)行持續(xù)改進(jìn)，有助于提高模型的魯棒性和適應(yīng)性，使其能夠更好地應(yīng)對(duì)各種復(fù)雜情況。

25、可選地，在執(zhí)行第一預(yù)測(cè)的步驟之后，執(zhí)行結(jié)果判斷的步驟之前，還包括：

26、第二構(gòu)建模型：構(gòu)建stacking集成學(xué)習(xí)模型，所述stacking集成學(xué)習(xí)模型包括n個(gè)基學(xué)習(xí)器和一個(gè)元學(xué)習(xí)器；

27、訓(xùn)練stacking集成學(xué)習(xí)模型：包括訓(xùn)練基學(xué)習(xí)器和訓(xùn)練元學(xué)習(xí)器；

28、訓(xùn)練基學(xué)習(xí)器：采用異常歷史數(shù)據(jù)和異常歷史指標(biāo)對(duì)每個(gè)基學(xué)習(xí)器單獨(dú)進(jìn)行訓(xùn)練，獲得n個(gè)輸出數(shù)據(jù)，記為第一數(shù)據(jù)；

29、訓(xùn)練元學(xué)習(xí)器：將第一數(shù)據(jù)和異常歷史指標(biāo)對(duì)元學(xué)習(xí)器進(jìn)行訓(xùn)練；

30、第二預(yù)測(cè)：將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至訓(xùn)練后的stacking集成學(xué)習(xí)模型，獲得第二預(yù)測(cè)指標(biāo)。

31、通過(guò)采用上述技術(shù)方案，基學(xué)習(xí)器采用異常歷史數(shù)據(jù)和異常歷史指標(biāo)進(jìn)行單獨(dú)訓(xùn)練，這有助于它們更好地學(xué)習(xí)到異常數(shù)據(jù)的特征，這種針對(duì)性訓(xùn)練可以提高stacking集成學(xué)習(xí)模型對(duì)異常事件的識(shí)別能力。將基學(xué)習(xí)器的輸出數(shù)據(jù)和異常歷史指標(biāo)作為輸入來(lái)訓(xùn)練元學(xué)習(xí)器，有助于元學(xué)習(xí)器學(xué)習(xí)到不同基學(xué)習(xí)器之間的互補(bǔ)性，從而提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。通過(guò)stacking集成學(xué)習(xí)模型進(jìn)行第二預(yù)測(cè)，可以獲得一個(gè)額外的預(yù)測(cè)指標(biāo)（第二預(yù)測(cè)指標(biāo)）。在結(jié)果判斷步驟中，結(jié)合第一預(yù)測(cè)指標(biāo)和第二預(yù)測(cè)指標(biāo)來(lái)共同判斷當(dāng)前時(shí)刻的數(shù)據(jù)是否處于正常指標(biāo)閾值的范圍內(nèi)，通過(guò)多指標(biāo)判斷提高判斷結(jié)果的準(zhǔn)確性和可靠性。

32、可選地，在執(zhí)行第二預(yù)測(cè)的步驟之后，執(zhí)行結(jié)果判斷的步驟之前，還包括：

33、融合預(yù)測(cè)指標(biāo)：將第一預(yù)測(cè)指標(biāo)和第二預(yù)測(cè)指標(biāo)進(jìn)行融合，獲得最終的預(yù)測(cè)指標(biāo)，并將最終的預(yù)測(cè)指標(biāo)作為新的第一預(yù)測(cè)指標(biāo)。

34、通過(guò)采用上述技術(shù)方案，融合不同來(lái)源（或不同模型）的預(yù)測(cè)指標(biāo)可以綜合它們各自的優(yōu)點(diǎn)，減少單一預(yù)測(cè)指標(biāo)可能存在的偏差。不同的預(yù)測(cè)指標(biāo)捕捉到了數(shù)據(jù)中的不同特征或模式，融合它們可以形成更全面、更準(zhǔn)確的預(yù)測(cè)。

35、可選地，在執(zhí)行訓(xùn)練stacking集成學(xué)習(xí)模型的步驟之后，執(zhí)行第二預(yù)測(cè)的步驟之前，還包括：

36、增量學(xué)習(xí)：采用在線學(xué)習(xí)算法，使用正常歷史數(shù)據(jù)和正常歷史指標(biāo)對(duì)基學(xué)習(xí)器的參數(shù)進(jìn)行調(diào)整；

37、第三預(yù)測(cè)：將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至參數(shù)調(diào)整后的基學(xué)習(xí)器中，獲得n個(gè)輸出數(shù)據(jù)，記為第二數(shù)據(jù)；

38、再訓(xùn)練：采用第二數(shù)據(jù)和正常歷史指標(biāo)對(duì)元學(xué)習(xí)器再次進(jìn)行訓(xùn)練，獲得再訓(xùn)練后的stacking集成學(xué)習(xí)模型。

39、通過(guò)采用上述技術(shù)方案，增量學(xué)習(xí)允許訓(xùn)練后的stacking集成學(xué)習(xí)模型在接收到新數(shù)據(jù)時(shí)逐步更新其參數(shù)，而不是從頭開(kāi)始重新訓(xùn)練，這使得stacking集成學(xué)習(xí)模型能夠更快地適應(yīng)正常歷史數(shù)據(jù)的變化，有助于在資源受限的環(huán)境中實(shí)現(xiàn)更高效的模型更新。

40、可選地，在第二預(yù)測(cè)的步驟中，將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至再訓(xùn)練后的stacking集成學(xué)習(xí)模型，獲得新的第二預(yù)測(cè)指標(biāo)。

41、通過(guò)采用上述技術(shù)方案，再訓(xùn)練后的stacking集成學(xué)習(xí)模型已經(jīng)適應(yīng)了正常歷史數(shù)據(jù)和正常歷史指標(biāo)的分布和特征，增強(qiáng)了stacking集成學(xué)習(xí)模型的適應(yīng)性。

42、可選地，在執(zhí)行建模與訓(xùn)練的步驟之后，執(zhí)行第一預(yù)測(cè)的步驟之前，還包括：

43、設(shè)定損失函數(shù)：設(shè)置bi-lstm模型的損失函數(shù)；

44、設(shè)定代價(jià)矩陣：定義代價(jià)矩陣，所述代價(jià)矩陣中的元素代表將一個(gè)類別的樣本誤分類為另一個(gè)類別的代價(jià)；

45、修改損失函數(shù)：基于代價(jià)矩陣修改bi-lstm模型的損失函數(shù)；

46、重新訓(xùn)練：采用歷史數(shù)據(jù)集和修改后的損失函數(shù)重新訓(xùn)練bi-lstm模型。

47、通過(guò)采用上述技術(shù)方案，本技術(shù)定義一個(gè)包含分類代價(jià)信息的代價(jià)矩陣，該代價(jià)矩陣允許為不同類型的分類錯(cuò)誤賦予不同的代價(jià)，通過(guò)考慮分類代價(jià)，代價(jià)矩陣可以影響bi-lstm模型的決策邊界，使其更加符合實(shí)際應(yīng)用的需求?；谠摯鷥r(jià)矩陣修改bi-lstm模型的損失函數(shù)，使得bi-lstm模型在訓(xùn)練過(guò)程中能夠考慮到不同分類錯(cuò)誤的代價(jià)，有助于bi-lstm模型在訓(xùn)練過(guò)程中更加注重那些代價(jià)較高的分類錯(cuò)誤。本技術(shù)還采用歷史數(shù)據(jù)集和修改后的損失函數(shù)重新訓(xùn)練bi-lstm模型，提升了bi-lstm模型在特定應(yīng)用場(chǎng)景下的性能。

48、可選地，在第一預(yù)測(cè)的步驟中，將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至重新訓(xùn)練后的bi-lstm模型，獲得新的第一預(yù)測(cè)指標(biāo)。

49、通過(guò)采用上述技術(shù)方案，由于bi-lstm模型已經(jīng)通過(guò)重新訓(xùn)練步驟進(jìn)行了優(yōu)化，它可能對(duì)新數(shù)據(jù)的預(yù)測(cè)能力有所增強(qiáng)，重新訓(xùn)練后的bi-lstm模型已經(jīng)適應(yīng)了最新的數(shù)據(jù)分布和特征。因此，新的第一預(yù)測(cè)指標(biāo)能夠更好地捕捉數(shù)據(jù)中的最新變化，顯示出bi-lstm模型在適應(yīng)新數(shù)據(jù)方面的優(yōu)勢(shì)。

50、可選地，在執(zhí)行建模與訓(xùn)練的步驟之后，執(zhí)行設(shè)定損失函數(shù)的步驟之前，還包括：

51、分配隸屬度：采用kde算法，計(jì)算歷史數(shù)據(jù)集中每個(gè)樣本周圍的密度，獲得密度值；

52、賦予權(quán)重：將所述密度值作為對(duì)應(yīng)樣本的權(quán)重，獲得新的歷史數(shù)據(jù)集。

53、通過(guò)采用上述技術(shù)方案，kde算法能夠估計(jì)樣本的概率密度函數(shù)，從而捕捉樣本的整體分布特征，通過(guò)計(jì)算每個(gè)樣本周圍的密度，可以了解到樣本在數(shù)據(jù)集中的相對(duì)位置，即它們是屬于密集區(qū)域還是稀疏區(qū)域。kde算法通過(guò)計(jì)算密度，為不同區(qū)域的樣本賦予不同的重要性，有助于后續(xù)處理不平衡數(shù)據(jù)的問(wèn)題。將密度值作為樣本的權(quán)重，可以使得在訓(xùn)練過(guò)程中，那些位于數(shù)據(jù)密集區(qū)域的樣本對(duì)bi-lstm模型的影響更大，有助于bi-lstm模型更加關(guān)注數(shù)據(jù)中的重要區(qū)域，提高bi-lstm模型的泛化能力。

54、第二方面，本發(fā)明提供了一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，采用如下的技術(shù)方案：

55、一種流程工業(yè)過(guò)程工藝事故風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，包括：

56、數(shù)據(jù)采集模塊，包括第一采集單元和第二采集單元；

57、第一采集單元，用于采集正常歷史數(shù)據(jù)、正常歷史指標(biāo)、異常歷史數(shù)據(jù)和異常歷史指標(biāo)，將正常歷史數(shù)據(jù)、正常歷史指標(biāo)、異常歷史數(shù)據(jù)和異常歷史指標(biāo)整合為歷史數(shù)據(jù)集；

58、第二采集單元，用于采集當(dāng)前時(shí)刻的數(shù)據(jù)；

59、設(shè)定閾值模塊，與數(shù)據(jù)采集模塊通信連接，包括第一構(gòu)建模型單元、動(dòng)態(tài)調(diào)整單元和計(jì)算閾值單元；

60、第一構(gòu)建模型單元，用于構(gòu)建時(shí)間序列模型，所述時(shí)間序列模型包括：stl子模型和arima子模型；

61、動(dòng)態(tài)調(diào)整單元，用于將正常歷史數(shù)據(jù)和正常歷史指標(biāo)輸入stl子模型，獲得正常歷史指標(biāo)周期性閾值；將正常歷史數(shù)據(jù)和正常歷史指標(biāo)輸入arima子模型，獲得正常歷史指標(biāo)預(yù)測(cè)閾值和置信區(qū)間；

62、計(jì)算閾值單元，用于基于周期性閾值、預(yù)測(cè)閾值和置信區(qū)間，計(jì)算正常指標(biāo)閾值的范圍，計(jì)算模型如下：

63、；

64、；

65、其中，為正常指標(biāo)閾值的上限；為正常指標(biāo)閾值的下限；b為周期性閾值；k為常數(shù)；為周期性閾值的標(biāo)準(zhǔn)差；為周期性閾值的權(quán)重；c為預(yù)測(cè)閾值；為置信區(qū)間的數(shù)值；為預(yù)測(cè)閾值的權(quán)重；

66、建模與訓(xùn)練模塊，與數(shù)據(jù)采集模塊通信連接，用于構(gòu)建bi-lstm模型，并采用歷史數(shù)據(jù)集訓(xùn)練bi-lstm模型；

67、第一預(yù)測(cè)模塊，與數(shù)據(jù)采集模塊和建模與訓(xùn)練模塊通信連接，用于將當(dāng)前時(shí)刻的數(shù)據(jù)輸入至訓(xùn)練后的bi-lstm模型，獲得第一預(yù)測(cè)指標(biāo)；

68、結(jié)果判斷模塊，用于判斷第一預(yù)測(cè)指標(biāo)是否處于正常指標(biāo)閾值的范圍內(nèi)；

69、更新模塊，包括第一更新單元和第二更新單元；

70、第一更新單元，用于將第一預(yù)測(cè)指標(biāo)增加至正常歷史指標(biāo)中；

71、第二更新單元，用于將第一預(yù)測(cè)指標(biāo)增加至異常歷史指標(biāo)中；

72、報(bào)警模塊，用于發(fā)出告警信號(hào)。

73、通過(guò)采用上述技術(shù)方案，本系統(tǒng)集成了數(shù)據(jù)采集模塊、設(shè)定閾值模塊、建模與訓(xùn)練模塊、第一預(yù)測(cè)模塊、結(jié)果判斷模塊、更新模塊和報(bào)警模塊等多個(gè)模塊。通過(guò)第一采集單元整合歷史數(shù)據(jù)，第二采集單元實(shí)時(shí)采集新數(shù)據(jù)；設(shè)定閾值模塊利用stl子模型和arima子模型動(dòng)態(tài)調(diào)整并計(jì)算正常指標(biāo)閾值范圍；建模與訓(xùn)練模塊采用歷史數(shù)據(jù)集訓(xùn)練bi-lstm模型以進(jìn)行預(yù)測(cè)；第一預(yù)測(cè)模塊將當(dāng)前數(shù)據(jù)輸入訓(xùn)練后的bi-lstm模型獲取第一預(yù)測(cè)指標(biāo)；結(jié)果判斷模塊依據(jù)閾值范圍判斷第一預(yù)測(cè)指標(biāo)是否正常；更新模塊根據(jù)判斷結(jié)果更新歷史指標(biāo)；報(bào)警模塊則在異常時(shí)發(fā)出告警。本系統(tǒng)能夠根據(jù)歷史數(shù)據(jù)建立一個(gè)靈活的閾值范圍，并且對(duì)該閾值范圍不斷的進(jìn)行調(diào)整，提高其靈活性和自適應(yīng)性，進(jìn)而提高預(yù)測(cè)的準(zhǔn)確性。

74、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

75、1.本技術(shù)的時(shí)間序列模型包括stl子模型和arima子模型，能夠分別捕捉到數(shù)據(jù)的周期性和不確定性特征，為閾值的設(shè)定提供了科學(xué)依據(jù)，本技術(shù)基于時(shí)間序列模型設(shè)定了周期性閾值、預(yù)測(cè)閾值和置信區(qū)間，并且采用周期性閾值、預(yù)測(cè)閾值和置信區(qū)間計(jì)算正常指標(biāo)閾值的范圍，該閾值范圍兼顧了隨時(shí)間變化的設(shè)備狀態(tài)或者其他影響因素，使預(yù)測(cè)閾值更加貼近實(shí)際，例如以一個(gè)年為周期，學(xué)習(xí)季節(jié)性規(guī)律，或者以設(shè)備壽命為周期，學(xué)習(xí)設(shè)備退化規(guī)律對(duì)周期性閾值的影響等等，使設(shè)定的正常指標(biāo)閾值涵蓋了各種影響因素。本技術(shù)還采用了具有強(qiáng)大的時(shí)間序列數(shù)據(jù)處理能力，適用于處理具有復(fù)雜時(shí)間序列特征的數(shù)據(jù)的bi-lstm模型，bi-lstm模型能夠?qū)W習(xí)到歷史數(shù)據(jù)的內(nèi)在規(guī)律和特征，提高了預(yù)測(cè)的準(zhǔn)確性和可靠性。通過(guò)判斷第一預(yù)測(cè)指標(biāo)是否處于正常指標(biāo)閾值的范圍內(nèi)，能夠準(zhǔn)確判斷是否需要報(bào)警，根據(jù)判斷結(jié)果執(zhí)行第一更新或第二更新步驟，并且將第一預(yù)測(cè)指標(biāo)加入到相應(yīng)的歷史指標(biāo)中，并重新設(shè)定閾值或發(fā)出告警信號(hào)，形成了閉環(huán)的反饋機(jī)制。

76、2.基學(xué)習(xí)器采用異常歷史數(shù)據(jù)和異常歷史指標(biāo)進(jìn)行單獨(dú)訓(xùn)練，這有助于它們更好地學(xué)習(xí)到異常數(shù)據(jù)的特征，這種針對(duì)性訓(xùn)練可以提高stacking集成學(xué)習(xí)模型對(duì)異常事件的識(shí)別能力。將基學(xué)習(xí)器的輸出數(shù)據(jù)和異常歷史指標(biāo)作為輸入來(lái)訓(xùn)練元學(xué)習(xí)器，有助于元學(xué)習(xí)器學(xué)習(xí)到不同基學(xué)習(xí)器之間的互補(bǔ)性，從而提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。通過(guò)stacking集成學(xué)習(xí)模型進(jìn)行第二預(yù)測(cè)，可以獲得一個(gè)額外的預(yù)測(cè)指標(biāo)（第二預(yù)測(cè)指標(biāo)）。在結(jié)果判斷步驟中，結(jié)合第一預(yù)測(cè)指標(biāo)和第二預(yù)測(cè)指標(biāo)來(lái)共同判斷當(dāng)前時(shí)刻的數(shù)據(jù)是否處于正常指標(biāo)閾值的范圍內(nèi)，通過(guò)多指標(biāo)判斷提高判斷結(jié)果的準(zhǔn)確性和可靠性。

77、3.本技術(shù)定義一個(gè)包含分類代價(jià)信息的代價(jià)矩陣，該代價(jià)矩陣允許為不同類型的分類錯(cuò)誤賦予不同的代價(jià)，通過(guò)考慮分類代價(jià)，代價(jià)矩陣可以影響bi-lstm模型的決策邊界，使其更加符合實(shí)際應(yīng)用的需求?；谠摯鷥r(jià)矩陣修改bi-lstm模型的損失函數(shù)，使得bi-lstm模型在訓(xùn)練過(guò)程中能夠考慮到不同分類錯(cuò)誤的代價(jià)，有助于bi-lstm模型在訓(xùn)練過(guò)程中更加注重那些代價(jià)較高的分類錯(cuò)誤。本技術(shù)還采用歷史數(shù)據(jù)集和修改后的損失函數(shù)重新訓(xùn)練bi-lstm模型，提升了bi-lstm模型在特定應(yīng)用場(chǎng)景下的性能。