基于多尺度全卷积神经网络的核电主泵状态异常检测方法

龚安，魏金铭

中国石油大学（华东）青岛软件学院，计算机科学与技术学院，青岛266580

摘要 为解决目前主泵状态异常检测复杂数据建模难、早期异常检出难和异常程度评估难的问题，提出一种基于多尺度全卷积神经网络的编解码器网络结构异常检测方法MSFCNAD（multi-scale FCN-based anomaly detection）。在考虑主泵状态多变量时序特征的基础上，利用全卷积神经网络编解码进行像素级训练，精准定位核电主泵状态数据的异常范围；同时兼顾主泵状态异常时段特征，提取核电主泵状态的多尺度特征矩阵，通过不同尺度的特征矩阵所检测到的异常范围分级判断其异常程度。在此基础上，利用真实核电主泵数据进行实验，对比自回归滑动平均模型（ARMA）、双向长短期记忆网络（BiLSTM）、全卷积神经网络（FCN）、自动编码器（AEs）等多个模型的分类效果。结果显示，MSFCNAD模型的召回率、F₁分数均优于文中列举的模型，分别为78.44%、80.30%，优于其他模型中最高的77.53%、69.74%，表明MSFCNAD模型比其他异常检测方法的性能更好，同时能够通过异常程度判断异常的严重性，在故障发生前优先维护，保障主泵正常运行。

关键词 异常检测；多变量时间序列；全卷积神经网络；多尺度分析；深度学习

（责任编辑  刘志远）

http://www.kjdb.org/CN/10.3981/j.issn.1000-7857.2022.10.01513