本發(fā)明屬于智能信號處理，具體而言，涉及利用長短時記憶網(wǎng)絡對信號特征進行分類，可用于智能工廠中入侵設備的檢出。

背景技術(shù)：

1、隨著網(wǎng)絡技術(shù)的發(fā)展和智能硬件制造成本的降低，智能制造設備如智能機械臂、網(wǎng)絡攝像頭、分布式自動控制器、人工智能質(zhì)量檢測設備等被廣泛地應用于智能工廠中，以提高管理效率和生產(chǎn)質(zhì)量、降低物料成本和人力開銷。

2、然而，智能設備的引入也為傳統(tǒng)制造企業(yè)帶來了新的挑戰(zhàn)。例如，被秘密放置在智能工廠中的入侵設備能夠隱蔽地收集企業(yè)的機密數(shù)據(jù)，造成企業(yè)生產(chǎn)計劃和技術(shù)的泄露；被員工意外帶入生產(chǎn)場所的手機(此時被視為入侵設備)等設備，如不能被及時地檢出，可能干擾產(chǎn)線上的智能制造設備，造成經(jīng)濟損失。因此，當前智能工廠對入侵設備的檢測存在迫切的需求。

3、由于入侵設備主要通過收、發(fā)電磁波的方式對正常智能制造設備產(chǎn)生影響，針對入侵設備和正常智能制造設備的區(qū)分問題，其關鍵是區(qū)分兩類設備所發(fā)射信號的特征。由于智能制造設備的生產(chǎn)廠家考慮到其設備的安全和知識產(chǎn)權(quán)因素，通常不會公布其生產(chǎn)的設備所發(fā)射的信號特征，故已有的方法主要采用人工智能技術(shù)，通過決策樹、k均值等方法對信號特征進行分類，以達到檢出入侵設備的目的。然而，隨著技術(shù)對抗的發(fā)展，一些入侵設備逐漸開始采用長連接、小數(shù)據(jù)量的方式發(fā)射信號，避免短時間、大流量集中上傳其采集到的信息，這使得其信號特征在短時間內(nèi)與正常智能制造設備十分相似，已有方法難以檢出此類設備。為了實現(xiàn)此類設備的檢出，必須在一段時間內(nèi)持續(xù)分析其信號特征，即采用有記憶性的檢測方法。

4、綜上所述，引入長短時記憶網(wǎng)絡，能夠解決當前智能工廠入侵設備檢測方法遇到的主要難題。通過發(fā)展此項技術(shù)，能夠有效地彌補傳統(tǒng)方法存在的缺點，捕捉入侵設備的特征，實現(xiàn)智能工廠入侵設備的高效檢測。

5、需要說明的是，在上述背景技術(shù)部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構(gòu)成對本領域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于針對現(xiàn)有智能工廠非法入侵設備檢測方法存在的問題，提出一種基于長短時記憶網(wǎng)絡的智能工廠入侵設備檢測方法。通過長短時記憶網(wǎng)絡能夠理解輸入序列前后時間關系的特性，提取智能工廠中設備所發(fā)射信號的時間特征；進而，利用此時間特征，可以有效提高智能工廠入侵設備檢測方法的正確率；最后，通過對入侵設備的特征進行聚類，能夠識別智能工廠內(nèi)的入侵設備數(shù)量。綜上所述，本發(fā)明所提出的方法相較于現(xiàn)有的智能工廠入侵設備檢測方法，其多個方面的性能都實現(xiàn)了提升，從而為智能工廠的安全運行提供了技術(shù)支撐。

2、本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：一種基于長短時記憶網(wǎng)絡的智能工廠入侵設備檢測方法，包含以下步驟：

3、(1)信號的時序特征構(gòu)建：該步驟在時間和特征兩個維度上進行，時間維度包含從開始觀測時間t＝1到結(jié)束觀測時間t＝t的時間段，特征維度包含每個時間點所提取的若干不同特征；對于任一時間點t，由該時間點的采樣信號所提取的特征表達為：

4、xi,t＝[xi,t,1,xi,t,2,…,xi,t,]]t

5、其中，i＝1,2,…,i表達設備的編號，在訓練過程中作為數(shù)據(jù)樣本的標簽，i表達設備的總數(shù)，xi,t,n,n＝1,2,…,n表達在時間點t提取的編號為i的設備發(fā)射的射頻信號的第n個特征；編號為i的設備在觀測時間內(nèi)發(fā)射的射頻信號的總體特征表達為：

6、

7、(2)基于長短時記憶網(wǎng)絡的信號語義空間建模：該步驟涉及基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡的正向傳播及其訓練；所述基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡的正向傳播計算過程如下：

8、fi，t＝sigmoid(wf·cat(ri，t-1，xi,t))

9、pi,t＝sigmoid(wp·cat(ri，t-1，xi,t))

10、qi,t＝tanh(wq·cat(ri，t-1，xi,t))

11、si，t＝fi，t⊙si,t-1+pi，t⊙qi,t

12、oi,t＝sigmoid(wo·cat(ri，t-1，xi，t))

13、ri，t＝oi，t⊙tanh(si，t)

14、每次計算時，需由t＝1始，計算至t＝t止，即由fi，1開始計算，并最終得到ri，t；其中，除ri，t外，fi，t、pi,t、qi,t、si，t、oi,t、ri,t，t＝1,2，...，t表達計算步驟中的中間變量，wf、wp、wq、wo表達可訓練參數(shù)，cat(·，·)表達將兩個向量首尾相接的操作，sigmoid(·)表達西格蒙德函數(shù)，tanh(·)表達雙曲正切函數(shù)，·表達矩陣或向量的乘積，⊙表達哈達瑪積，ri，0，si，0分別表達ri，t，si，t的初值，在訓練過程中通過隨機的方式選?。粚⒄騻鞑ビ嬎氵^程表達為：

15、ri，t＝l(xi；wf，wp，wq，wo)

16、其中，l(·)表達由以上公式說明的計算過程；通過該正向傳播計算過程，將t＝1至t＝t時間段內(nèi)，編號為i的設備發(fā)射的射頻信號的總體特征xi計算為其在信號語義空間中的表征ri，t；

17、訓練過程選擇三個損失函數(shù)，每次，將一個用于訓練的數(shù)據(jù)樣本經(jīng)上式所示過程計算為其表征，然后計算損失函數(shù)的值，最后進行反向傳播，更新可訓練參數(shù)wf、wp、wq、wo；所選擇的損失函數(shù)表達為：

18、

19、其中，xi，m，m＝1,2，...，m表達來自編號為i的設備的第m條用于訓練的數(shù)據(jù)樣本，m為來自該設備的訓練樣本的總數(shù)，ri，m，t為xi，m的表征，ri，m，t＝l(xi，m；wf，wp，wq，wo)，ci表達所有來自編號為i的設備的數(shù)據(jù)樣本的表征的中心向量，softmax(·)表達softmax函數(shù)，abs(·)表達取絕對值，reverse(·)表達一個解碼神經(jīng)網(wǎng)絡，classify(·)表達一個分類神經(jīng)網(wǎng)絡；

20、引入互補點機制，將編號為i的設備的互補點定義為pi，pi滿足：

21、

22、其中，d(·，·)為距離度量函數(shù)；基于此機制，引入新的損失函數(shù)表達為：

23、

24、其中，ri為可學習參數(shù)；

25、(3)基于信號統(tǒng)計特征的語義空間分割：采用標準差閾值分割方法，將語義空間表達為：

26、

27、其中，vi表達編號為i的設備對應的語義空間，弘i表達用于訓練的數(shù)據(jù)樣本中所有屬于該語義空間的向量ri，m，t的均值，φi表達分割閾值；對于語義空間vi，該分割閾值的確定方法為，對于用于訓練的數(shù)據(jù)樣本中每一個屬于該語義空間的向量ri，m，t，計算下式：

28、di，m＝(ri，m，t-μi)t(ri，m，t-μi)

29、然后，計算di，m，m＝1,2，...，m的標準差σi，再將所有di，m的值由大至小排列，取第一個小于三倍σi的值作為語義空間vi的分割閾值φi；由此，整個語義空間被明確地分割為i+1部分，其中，前i部分vi，i＝1,2，...，i對應訓練集中已知類型的設備所發(fā)出信號的語義空間，最后一部分被定義為：

30、vu＝rd-v1-v2-…-vi

31、其中，vu表達對應未知入侵設備所發(fā)出信號的語義空間，rd表達d維的實向量空間，d表達ri，m，t的維度；僅在該式中，符號“[·]-[·]”表示該符號左側(cè)的語義空間除去所有來自該符號右側(cè)的語義空間中的元素；

32、(4)入侵設備識別：當采集到一段信號并按照步驟(1)計算其特征xs后，將其特征輸入訓練完成的基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡并得到其表征rs，t，若rs，t不屬于語義空間vu，則判斷其為已知設備，通過識別出的設備編號判斷其為正常智能制造設備或已知入侵設備；否則，判斷其為未知入侵設備。

33、進一步地，基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡的不同損失函數(shù)的作用為：lcenter使得來自同一臺設備的射頻信號表征聚集在一起，保證了語義空間的稀疏性；lclassify確?；陂L短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡擁有足夠的分類能力；lreconstruction則強化了基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡的表征能力。

34、進一步地，距離度量函數(shù)d(·，·)公式為：

35、

36、其中，z為超參數(shù)。

37、進一步地，通過步驟(2)訓練所得的基于長短時記憶網(wǎng)絡的神經(jīng)網(wǎng)絡，能夠?qū)⑤斎離i，m投影至維度與其表征向量ri，m，t維度相同的語義空間內(nèi)，在該語義空間內(nèi)，來自相同編號設備的輸入對應的表征向量聚集在一起，來自不同編號設備的輸入對應的表征向量之間相互分離。

38、進一步地，步驟(4)中，若判斷當前存在多段信號來自未知入侵設備，通過k-means聚類算法對其表征rs，t進行聚類，然后判斷未知入侵設備數(shù)等于k-means聚類算法所得的類別數(shù)。

39、本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：

40、(1)本發(fā)明基于長短時記憶網(wǎng)絡，能夠分析不同時刻智能工廠內(nèi)設備所發(fā)射的信號的特征之間的時序關系，并從該時序關系中提取有關信號特征的更深層次的信息，進一步地，能夠提高非法入侵設備的檢出效率。

41、(2)本發(fā)明基于特定的損失函數(shù)進行訓練，使得神經(jīng)網(wǎng)絡的特征空間具有較好的稀疏性。利用該稀疏性，可以對識別出的非法入侵設備的特征進行聚類，從而實現(xiàn)智能工廠內(nèi)非法入侵設備數(shù)量的識別。這對實際應用中查找非法入侵設備、排除非法入侵設備有著重要意義。