区块链驱动的LSTM注意力混合模型用于设备情况意识和链上异常检测
Qiang Zhang1, Caiqing Yue1, Xingzhe Dong2
1National Energy Group, Shuohuang Railway Development Co., Ltd., Beijing 062356, China.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
本研究介绍了一种新的区块链驱动的混合模型,用于工业异常检测,增强工业物联网 (IIoT) 中的数据安全性和预测准确性. 该LEAD模型显著改善了故障检测,并确保了工业设备的防改数据存储.
科学领域:
- 事物的工业互联网 (IIoT)
- 数据安全性和可靠性数据安全性和可靠性
- 异常检测检测异常检测
背景情况:
- 传统方法面临着大规模工业数据,故障检测和数据安全方面的挑战.
- 确保防改存储和准确预测不平衡数据的异常对于IIoT至关重要.
- 现有的系统难以应对多源异质传感器数据的复杂性.
研究的目的:
- 为工业设备异常检测提出一个基于区块链的长短期内存网络 (LSTM) -注意力混合模型.
- 提高IIoT的数据安全性,可信度和预测准确性.
- 开发一个防改数据存储和实时异常警报系统.
主要方法:
- 开发了一种基于LSTM的编码器-注意力-解码器 (LEAD) 模型,用于多变量时间序列分析.
- 在私人FISCO-BCOS区块链上利用智能合约进行自动数据验证和改警报.
- 实现了一个编码器-注意力-解码器架构来处理传感器数据.
主要成果:
- 该LEAD模型获得了0.96的高F0.1得分,超过了基线模型 (RNN:0.90,LSTM:0.94,Bi-LSTM:0.94).
- 模拟区块链系统成功检测到未经授权的访问和数据改.
- 证明了自动化的链上数据验证和改警报触发.
结论:
- 拟议的基于区块链的LEAD模型为工业设备异常检测提供了一个可扩展和安全的解决方案.
- 该系统有效地解决了IIoT数据安全,可靠性和故障检测方面的挑战.
- 这种混合方法提高了工业监控系统的可靠性.