本发明涉及粮库系统异常检测和预警，具体涉及一种面向粮库监测数据的基于多尺度特征，即局部和全局特征，生成对抗网络(generative adversarialnetworks,gans)异常检测方法。
背景技术：
1、粮库在粮食储存过程中，需要对温度、湿度、气体成分等环境参数进行实时监测，以防止粮食腐烂、发霉等问题。然而，传统的监测方法通常依赖于固定阈值和规则，缺乏灵活性，且难以适应复杂的粮库环境。随着深度学习的发展，能够更加智能和精准地进行异常检测成为可能。
2、现有技术有公开：智慧粮库是指运用现代化的物联网、大数据等技术手段,对粮食仓储、运输、质量保障等环节进行实时监控和数据分析,以提高粮食产业的效率和质量。实时数据分析与决策支持是智慧粮库的重要功能,可以为管理者提供精确的信息和决策依据。
3、智慧粮库实时数据分析能提高粮库管理效率:通过实时监控和数据分析,可以及时发现粮库中出现的问题,并采取相应的措施,提高管理；
4、粮库粮食储藏的核心任务是将粮食保管好，以保证储粮数量不减、质量完好。但粮食在储藏过程中易受到粮食自身呼吸作用、后熟作用、萌发作用等生理活动，热量、水分、气体等环境因素，以及虫霉鼠雀等有害生物的影响，这些影响反应出来的储粮不正常表现称之为异常粮情。
5、由于粮库中异常数据的值偏少，基于监督学习的算法难以有效应用，因为这些算法需要大量的标记数据来进行训练。然而，异常数据在实际场景中往往是稀少且难以标记的。因此，基于重构的无监督算法成为主流。这类算法不依赖于标记数据，而是通过学习正常数据的分布来检测异常。然而，现有基于重构的深度学习算法，由于其复杂性，容易出现过拟合问题，导致检测效率不高。
6、此外，粮库环境中的异常数据存在局部和全局的特性。局部异常通常表现为短时间内的剧烈变化，例如温度或湿度的瞬时异常。全局异常则表现为长期的趋势变化，例如设备故障导致的温度持续升高。现有方法往往难以同时兼顾这两类异常特性，因此亟需一种新的方法来解决这些问题。
7、为此，本发明通过将粮库系统中的数据进行局部和全局编码，增强粮库中数据特征表示同时扩大数据的多样性，并基于对抗生成网络通过对重构损失进行约束，通过将这两种方式联合，即扩大数据和对损失函数的约束，更易缓和深度学习中的过拟合问题。
技术实现思路
1、本发明旨在提供一种基于多尺度特征的粮库系统对抗生成网络异常检测方法，通过挖掘粮库系统中数据的局部和全局特征，利用生成对抗网络的自适应特性，能够有效地检测粮库环境中的各种异常情况，提高粮食储存的安全性和可靠性。
2、为实现上述目的，本发明设计了一个模型包括生成网络和判别网络两部分，通过局部和全局编码对粮库数据进行特征提取和重构，并利用生成对抗网络的对抗训练机制进行异常检测，主要采用以下技术方案：
3、步骤1，数据采集：从粮库系统中部署的多个传感器实时采集环境参数数据，包括温度、湿度、气体成分等，这些数据形成多维的时间序列数据。
4、步骤2，数据预处理：对采集的数据进行预处理，如归一化、去噪等，以适应模型训练的需要。
5、步骤3，构建基于多尺度特征的生成对抗网络异常检测模型，如图1所示，该模型主要有生成网络和判别网络组成。
6、3.1生成网络的主要任务是对输入的粮库系统数据进行特征提取和重构。生成网络的主体框架基于编码器和解码器的autoencoder架构，其中编码器由局部编码器和全局编码器构成。
7、3.1.1局部编码器：提取局部特征，捕捉短时间内的数据变化，可以使用卷积神经网络(cnn)对输入数据进行局部特征提取。
8、3.1.2全局编码器：提取全局特征，捕捉长期趋势和全局模式，可以使用变压器网络(transformer)对输入数据进行全局特征提取。
9、3.1.3映射层：对局部和全局特征进行映射和对齐，可以使用全连接层将局部特征和全局特征进行对齐。
10、3.1.4解码器：重构输入数据，生成与真实粮库系统数据相似的伪数据，可以使用多层神经网络对特征进行重构。
11、3.1.5为了强化局部和全局特征的一致性，可以基于局部特征和全局特征的多尺度感知对比损失，对重构数据的一致性进行约束。
12、自编码器(autoencoder,ae)架构是一种数据的压缩算法，其中压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。自编码器通常用于学习高效的编码，在神经网络的形式下，自编码器可以用于降维和特征学习。
13、3.2判别网络，主要通过区分生成的数据和真实数据，对生成网络重构的正常数据进行约束，从而使得重构的数据与异常数据更具区分性，提高异常检测的精准度。主要包括特征表示层和特征层。
14、3.2.1特征表示层：使用多层神经网络对重构的数据和真实的数据进行特征提取。
15、3.2.2判别层：使用全连接层进行二分类，输出概率值，判断输入数据是重构还是真实数据。
16、步骤4，模型训练：生成器和判别器通过对抗训练相互博弈，不断优化：
17、训练步骤:
18、4.1初始化生成网络和判别网络的参数。定义优化器(如adam优化器)用于更新生成网络和判别网络的参数。
19、4.2从真实数据集中抽取一个批次的数据，标记为真实样本；将真实数据经过生成网络生成一个批次的伪数据，标记为重构样本。
20、4.3通过判别网络对真实样本和重构样本进行分类，并计算损失，这里判别器的损失采用交叉损失，并通过梯度下降更新判别网络的参数。
21、4.5计算生成网络的损失，生成网络的损失还包括了重构损失和对比损失组成，通过梯度下降更新生成网络的参数。
22、步骤5，异常检测过程:
23、5.1将实时采集的粮库系统数据输入训练好的生成网络，获得一个重构的数据。
24、5.2计算重构数据和真实数据的误差，如果高于预设的阈值，则判定为异常情况。这里阈值可以通过训练过程中的值来设定。
25、步骤6，报警与处理:
26、对判定为异常的数据，系统触发报警机制，通知管理人员。
27、管理人员根据报警信息采取相应的措施，如调整环境参数、检查设备等。
28、有益效果，本发明针对粮库环境中的异常数据存在局部和全局的特性。局部异常通常表现为短时间内的剧烈变化，例如温度或湿度的瞬时异常。全局异常则表现为长期的趋势变化，本发明需要同时兼顾这两类异常特性，通过将粮库系统中的数据进行局部和全局编码，增强粮库中数据特征表示同时扩大数据的多样性，并基于对抗生成网络通过对重构损失进行约束，通过将这两种方式联合，即扩大数据和对损失函数的约束，更易缓和深度学习中的过拟合问题。通过挖掘粮库系统中数据的局部和全局特征，利用生成对抗网络的自适应特性，能够有效地检测粮库环境中的各种异常情况，提高粮食储存的安全性和可靠性。
1.一种基于多尺度特征的粮库系统对抗生成网络异常检测方法，其特征是，通过挖掘粮库系统中数据的局部和全局特征，利用生成对抗网络的自适应特性，能够有效地检测粮库环境中的各种异常情况；
2.根据权利要求1所述的基于多尺度特征的粮库系统对抗生成网络异常检测方法，其特征是，报警与处理:对判定为异常的数据，系统触发报警机制，通知管理人员；管理人员根据报警信息采取相应的措施，包括调整环境参数、检查设备。
3.根据权利要求1所述的基于多尺度特征的粮库系统对抗生成网络异常检测方法，其特征是，3.1.1局部编码器：数据构的局部特征fl，2维卷积层conv2d使用d个滤波器，每个滤波器的尺寸为k1×k2，分别代表时间和特征维度上的卷积核大小；
