CN110059775A - 旋转型机械设备异常检测方法及装置 - Google Patents

Abstract

本发明实施例提供一种旋转型机械设备异常检测方法及装置，该方法包括：获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。由于预设的异常检测模型根据多个正常状态数据作为样本进行训练后获得，从而能够输出状态数据的异常类型，且异常检测过程快速而准确，检测结果客观。

Description

旋转型机械设备异常检测方法及装置

技术领域

本发明涉及机械状态监测领域，尤其涉及一种旋转型机械设备异常检测方法及装置。

背景技术

旋转型机械是指主要依靠旋转动作完成特定功能的机械，典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机和航空发动机等。

旋转型机械设备当前的异常检测包括离线和在线两种方式。其中，离线方式主要采用点检、巡检与定期预防维修，但是离线数据采集周期太长，不能保证检测的实时性，导致设备的维护和管理效率降低。目前旋转型机械设备的在线异常检测和工况识别的主要方法是依靠阈值和专家系统。通过在线采集设备的三轴振动和温度，设定三轴振动和温度阈值，超过阈值则报警。分析人员接收到报警后，人为分析振动图谱，判断报警原因，确定设备发生故障。

目前的异常检测方法大多依靠专家知识库、专家团队来实现，掺杂了较多的人为主观因素。因此，检测结果不够客观，也不能保证检测结果的准确性和时效性。

发明内容

为了解决上述问题，本发明实施例提供一种旋转型机械设备异常检测方法及装置。

第一方面，本发明实施例提供一种旋转型机械设备异常检测方法，包括：获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。

第二方面，本发明实施例提供一种旋转型机械设备异常检测装置，包括：提取模块，用于获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；处理模块，用于将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面旋转型机械设备异常检测方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面旋转型机械设备异常检测方法的步骤。

本发明实施例提供的旋转型机械设备异常检测方法及装置，由于将提取得到的特征数据输入至预设的异常检测模型，预设的异常检测模型根据多个正常状态数据作为样本进行训练后获得，从而对于实时状态数据的特征数据，能够输出状态数据的异常类型，且异常检测过程快速而准确，检测结果客观。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的旋转型机械设备异常检测方法流程图；

图2为本发明实施例提供的旋转型机械设备异常检测装置结构图；

图3为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种旋转型机械设备异常检测方法，该方法对应的执行主体可以为对应设置的旋转型机械设备异常检测装置，也可以通过现有的计算机或服务器来实现，本发明实施例对此不作具体限定。为了便于说明，本发明实施例以执行主体为旋转型机械设备异常检测装置为例，对本发明实施例提供的旋转型机械设备异常检测方法进行阐述。

应当理解的是，尽管在下文中采用术语“第一”、“第二”等来描述各种异常类型和标签，但这些信息不应限于这些术语，这些术语仅用来将同一类型的事物彼此区分开。

图1为本发明实施例提供的旋转型机械设备异常检测方法流程图，如图1所示，本发明实施例提供一种旋转型机械设备异常检测方法，包括：

101，获取旋转型机械设备运行过程中的状态数据，并对状态数据进行特征提取。

在101中，状态数据，是旋转型型机械设备运行过程中相关参数的数据，如三轴振动数据、轴瓦温度和壳体温度数据。特征提取包括时域特征提取、频谱特征提取、包络谱特征提取以及小波特征提取，提取的特征用于通过异常检测模型进行异常类型的判断。其中，时域特征主要包括均值、最大值、峰峰值等；频谱和包络谱特征主要包括幅值特征；小波特征主要提取小波能量等。

102，将提取得到的特征数据输入至预设的异常检测模型，根据异常检测模型的输出结果，获取状态数据对应的第一异常类型。

在102中，预设的异常检测模型是根据异常检测算法构建后，通过大量正常状态数据作为样本，如将采集的历史状态数据中正常状态数据作为样本，进行训练后得到的。建立异常检测模型后，通过大量的正常状态数据进行训练，将正常状态数据提取的特征数据输入至构建好的异常检测模型，从而异常检测模型对大量正常状态数据的特征数据进行不断学习。得到训练完成的异常检测模型后，对于后续输入至异常检测模型的实时状态数据对应的特征数据，能够快速准确得到相应状态数据是否正常，从而得到对应的异常类型(称为第一异常类型)，异常类型为正常或异常。

本发明实施例中的异常检测模型根据异常检测算法构建，异常检测算法是用于从正常数据中筛选出异常数据的算法，本发明实施例对异常检测算法的类型不作具体限定，包括但不限于基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法。本发明实施例中的各算法主要为算法的类型，而非某个具体算法，例如基于密度的异常检测算法可以为LOF(Local Outlier Factor，局部离群因子检测方法)。

本发明实施例提供旋转型机械设备异常检测方法，由于将提取得到的特征数据输入至预设的异常检测模型，预设的异常检测模型根据多个正常状态数据作为样本进行训练后获得，从而对于实时状态数据的特征数据，能够输出状态数据的异常类型，且异常检测过程快速而准确，检测结果客观。

基于上述实施例的内容，作为一种可选实施例，上述异常检测模型包括多个子模型；相应地，将提取得到的特征数据输入至预设的异常检测模型，根据异常检测模型的输出结果，获取状态数据对应的第一异常类型，具体为：将提取得到的特征数据分别输入至预设的异常检测模的每一子模型，每一子模型分别获得对应的检测结果，根据异常检测模型对多个检测结果进行融合后的输出结果，获取状态数据对应的第一异常类型。

为了进一步提高异常检测模型的准确性，本发明实施例中异常检测模型中包括多个子模型，每个子模型基于上述异常检测算法构建。异常检测时，对于每一子模型，分别输入特征数据，获得每一子模型的检测结果，将检测结果进行融合，得到统一的检测结果，将该结果作为异常检测模型的输出，从而根据该输出，判断状态数据的异常类型，如正常或异常。相应地，在检测实施之前，对于每一子模型均采用相同的正常状态数据进行训练。

以异常检测模型包括3个子模型，3个子模型分别根据基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法构建为例进行说明。将状态数据特征提取得到的特征数据分别输入3个子模型，3个子模型分别获得异常类型的检测结果。若三个子模型检测结果一致，则无需进行检测结果的融合。若2个子模型检测为异常，1个子模型检测为正常，则需进行检测结果的融合。本发明实施例对检测结果的融合方法不作具体限定，包括但不限于：投票法或加权法。

本发明实施例提供旋转型机械设备异常检测方法，异常检测模型包括多个子模型，根据异常检测模型对多个检测结果进行融合后的输出结果，获取状态数据对应的第一异常类型，进一步提高异常检测的准确性。

基于上述实施例的内容，作为一种可选实施例，若获取到的第一异常类型为异常，则将提取得到的特征数据输入至预设的二分类检测模型，根据所述二分类检测模型输出的标签类型，获取状态数据对应的第二异常类型；其中，二分类检测模型根据分类算法构建，并根据带有第一标签的指定工况状态数据以及带有第二标签的其它工况状态数据作为样本，进行训练后得到，分类算法包括基于线性的分类算法、基于非线性的分类算法及基于树的分类算法，第二异常类型包括异常和正常。

本发明实施例中，工况是状态数据为异常时的异常种类。例如，工况类型包括轴不对中，轴磨损，轴瓦温度高，壳体温度高等。

考虑到异常检测模型的结果可能出现误差，异常检测模型检测到状态数据为异常后，将相同的特征数据通过预设的二分类检测模型进行第二异常类型的检测，检测的目的判断其异常情况是指定工况，还是其它情况，若是其它工况则作为正常处理。预设的二分类检测模型是根据分类检测算法构建后，通过两类工况的状态数据作为样本训练后得到的，两类工况分别有对应的标签。两类工况分别为：指定工况和指定工况以外的其它工况。指定工况是二分类检测模型能够准确识别的工况类型，例如构建的二分类检测模型用于识别壳体温度高和壳体温度高以外的其他工况，则指定工况就是壳体温度高。

二分类检测模型建立后，通过大量的指定工况和其它工况作为样本数据进行训练，将样本数据提取的特征数据输入至构建好的二分类检测模型，从而二分类检测模型对大量状态数据的特征数据进行不断学习，得到训练完成的二分类检测模型。对于后续输入至二分类检测模型的异常状态数据，能够快速准确得到异常的状态数据是对应指定工况，还是其它工况。若为指定工况则结果为异常，若为其它工况则结果为正常，即获得第二异常类型。

以指定工况为壳体温度高，设置标签设为1(第一标签)，其它工况设置标签设为0(第二标签)为例进行说明。若二分类检测模型输出结果为1，则第二异常检测结果为异常，且由于二分类检测模型通过指定工况状态数据和对应标签进行训练，同时也获得了工况类型为壳体温度高。若二分类检测模型输出结果为0，则第二异常检测结果为正常，即由于没有确定的工况类型，认为异常检测模型的异常判断不正确。

本发明实施例中的二分类检测模型根据分类检测算法构建，分类检测算法是用于根据状态数据的特征数据，获得两种类型的工况，本发明实施例对分类检测算法的类型不作具体限定，包括但不限于基于线性的分类算法(例如LR、贝叶斯分类、单层感知机、线性回归、SVM(线性核))、基于非线性的分类算法(例如RF、GBDT、多层感知机、SVM(高斯核))及基于树的分类算法。

作为一个可选实施例，二分类检测模型可以设置多个，对于每一工况类型均设置对应的二分类检测模型。

作为一个可选实施例，二分类检测模型同样可以包括多个子模型，每个子模型基于上述分类检测算法构建。异常检测时，对于每一子模型，分别输入特征数据，获得每一子模型的检测结果，将检测结果进行融合，得到统一的检测结果，将该结果作为二分类检测模型的输出，具体融合过程参见上述异常检测模型。

本实施例提供的旋转型机械设备异常检测方法，在获取到的第一异常类型为异常时，通过将提取得到的特征数据输入至预设的二分类检测模型，根据二分类检测模型输出的标签，获取状态数据对应的第二异常类型，从而实现对第一异常类型的进一步校验，并获得异常时的工况类型。

基于上述实施例的内容，作为一种可选实施例，若第二异常类型为异常；将提取得到的特征数据输入至预设的多分类检测模型，根据多分类检测模型的输出结果，获取状态数据为不同工况类型的概率；结合二分类检测模型对应的指定工况，确定状态数据对应的工况类型。其中，多分类检测模型根据多分类算法构建，并根据带有标签类型的多种工况状态数据作为样本进行训练后得到，多分类算法包括机器学习算法及集成学习算法。其中，机器学习算法包括传统的机器学习分类算法及深度学习算法。

在二分类检测模型检测状态数据为异常时，最终确定状态数据为异常，同时检测获知该异常为指定工况。考虑到进一步减小二分类检测模型的检测误差，本发明实施例中对异常的工况类型作进一步检测，将特征数据输入预设的多分类检测模型，以确定工况类型判断的准确性。

多分类检测模型根据多分类检测算法构建，多分类检测算法是用于根据状态数据的特征数据，获得多种类型的工况，本发明实施例对多分类检测算法的类型不作具体限定，包括但不限于传统机器学习分类算法、集成学习算法及深度学习算法。

多分类检测模型建立后，通过大量的多种工况的状态数据和对应标签作为样本数据进行训练，将样本数据提取的特征数据输入至构建好的多分类检测模型，从而多分类检测模型对大量多种工况的状态数据的特征数据进行不断学习，得到训练完成的多分类检测模型后。对于后续输入至多分类检测模型的异常状态数据，能够快速准确得到异常的状态数据所对应每一种工况类型的概率。结合二分类检测模型确定的工况类型(检测结果为异常，则确定为指定工况)，最终综合确定状态数据对应的工况类型判。

作为一个可选实施例，多分类检测模型同样可以包括多个子模型，每个子模型基于上述多分类检测算法构建。异常检测时，对于每一子模型，分别输入特征数据，获得每一子模型的检测结果，将检测结果进行融合，得到统一的检测结果，将该结果作为多分类检测模型的输出，具体融合过程参见上述异常检测模型。

本实施例提供的旋转型机械设备异常检测方法，通过将提取得到的特征数据输入至预设的多分类检测模型，根据多分类检测模型的输出结果，获取状态数据为不同工况类型的概率，并结合二分类检测模型对应的指定工况，确定状态数据对应的工况类型，从而在二分类检测模型检测到异常时，进一步获取异常的工况类型，实现了准确的工况识别。

基于上述实施例的内容，作为一种可选实施例，结合第二异常类型获得的指定工况，确定状态数据对应的工况类型，包括：获取概率最大的两种工况，若最大概率小于50％，且最大概率工况与指定工况一致，或最大概率大于50％，则确定工况类型为最大概率的工况；若最大概率小于50％，第二大概率工况与指定工况一致，则确定工况类型为指定工况；若最大概率小于50％，最大概率、第二大概率工况与指定工况都不一致，则确定工况类型为最大概率工况。

本发明实施例中，在多分类检测模型获得多种工况对应的概率后，结合第二异常类型获得的指定工况，确定状态数据对应的工况类型。计算每个工况多分类识别概率，并进行排序，获取概率最大的两种工况，并进行上述的判断，从而最终确定工况类型。

本实施例提供的旋转型机械设备异常检测方法，通过二分类检测模型的异常检测结果对应的工况类型和多分类检测模型获得的每一工况的概率，综合获得最终工况类型，能够有效提高工况识别的准确度。

基于上述实施例的内容，作为一种可选实施例，获取旋转型机械设备运行过程中的状态数据之后，还包括：对状态数据进行数据预处理；相应地，对状态数据进行特征提取，具体为：对数据预处理后的状态数据进行特征提取；数据预处理包括去均值处理、数据清洗及数据滤波中的一种或多种。

进行去均值的原因是为了避免过拟合的问题，在状态数据的信号生成过程中，会不可避免的引入错误点、冗余点以及扫描环境所带来的测量噪声等，这些点对后期的实物模型重构会带来很大影响，为了更好的提取实物的特征数据，必须进行数据滤波，将这些错误点等进行去除。

例如，具体实施过程中，首先对采集到的原始振动数据进行去均值处理，然后检测数据序列中的异常值，进行数据清洗，最后对数据进行滤波。预处理后数据进入特征提过程。数据预处理可根据实际情况具体设置，通过对数据预处理后的状态数据进行特征提取，过滤掉噪声和干扰数据，能够提高异常检测的准确性。

基于上述实施例的内容，作为一种可选实施例，对状态数据进行特征提取之后，还包括：对提取到的特征进行特征预处理；相应地，将提取得到的特征数据输入至预设的异常检测模型，具体为：将预处理后的特征数据输入至预设的异常检测模型；特征预处理包括特征降维及特征组合。

在具体实施过程中，可对提取到的特征进行特征预处理。提取到的特征数据若数据量较大，则可在提取特征之后进行降维处理。另一方面，对于多个状态数据或多种状态数据，分别提取特征之后，可以进行特征组合，以提高检测的准确性。本发明实施例通对提取到的特征进行特征预处理，将预处理后的特征数据输入至预设的异常检测模型，能够提高检测的准确性或减少计算的复杂度。

图2为本发明实施例提供的旋转型机械设备异常检测装置结构图，如图2所示，该旋转型机械设备异常检测装置包括：提取模块201和处理模块202。其中，提取模块201用于获取旋转型机械设备运行过程中的状态数据，并对状态数据进行特征提取；处理模块202用于将提取得到的特征数据输入至预设的异常检测模型，根据异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，第一异常类型包括正常和异常。

具体地，提取模块201接收状态数据，状态数据是旋转型机械设备运行过程中相关参数的数据，如三轴振动数据、轴瓦温度和壳体温度数据。接收到状态数据后，提取模块201提取特征，包括时域特征提取、频谱特征提取、包络谱特征提取以及小波特征提取，提取的特征用于通过异常检测模型进行异常类型的判断。其中，时域特征主要包括均值、最大值、峰峰值等；频谱和包络谱特征主要包括幅值特征；小波特征主要提取小波能量等。

处理模块202中具有预设的异常检测模型，预设的异常检测模型是根据异常检测算法构建后，通过大量正常状态数据作为样本，如将采集的历史状态数据中正常状态数据作为样本，进行训练后得到的。建立异常检测模型后，通过大量的正常状态数据进行训练，将正常状态数据提取的特征数据输入至构建好的异常检测模型，从而异常检测模型对大量正常状态数据的特征数据进行不断学习。得到训练完成的异常检测模型后，对于后续输入至处理模块202的实时状态数据对应的特征数据，能够快速准确得到相应状态数据是否正常，从而得到对应的异常类型(称为第一异常类型)，异常类型为正常或异常。本发明实施例对异常检测算法的类型不作具体限定，包括但不限于基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法。

本发明实施例提供旋转型机械设备异常检测装置，由于将提取模块提取得到的特征数据输入至处理模块，处理模块中预设的异常检测模型根据多个正常状态数据作为样本进行训练后获得，从而对于实时状态数据的特征数据，处理模块能够输出状态数据的异常类型，且异常检测过程快速而准确，检测结果客观。

本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。

图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。通信接口302可以用于电子设备的信息传输。处理器301可以调用存储器303中的逻辑指令，以执行包括如下的方法：获取旋转型机械设备运行过程中的状态数据，并对状态数据进行特征提取；将提取得到的特征数据输入至预设的异常检测模型，根据异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，第一异常类型包括正常和异常。

此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取旋转型机械设备运行过程中的状态数据，并对状态数据进行特征提取；将提取得到的特征数据输入至预设的异常检测模型，根据异常检测模型的输出结果，获取状态数据对应的第一异常类型；其中，异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，第一异常类型包括正常和异常。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种旋转型机械设备异常检测方法，其特征在于，包括：

获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；

将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；

其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。

2.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述异常检测模型包括多个子模型；

相应地，将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型，具体为：

将提取得到的特征数据分别输入至预设的异常检测模型的每一子模型，所述每一子模型分别获得对应的检测结果，根据所述异常检测模型对多个检测结果进行融合后的输出结果，获取状态数据对应的第一异常类型。

3.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，若获取到的第一异常类型为异常，则将提取得到的特征数据输入至预设的二分类检测模型，根据所述二分类检测模型输出的标签类型，获取状态数据对应的第二异常类型；

其中，所述二分类检测模型根据分类算法构建，并根据带有第一标签的指定工况状态数据以及带有第二标签的其它工况状态数据作为样本，进行训练后得到，所述分类算法包括基于线性的分类算法、基于非线性的分类算法及基于树的分类算法，所述第二异常类型包括异常和正常。

4.根据权利要求3所述的旋转型机械设备异常检测方法，其特征在于，若所述第二异常类型为异常；

将提取得到的特征数据输入至预设的多分类检测模型，根据所述多分类检测模型的输出结果，获取状态数据为不同工况类型的概率；

结合二分类检测模型对应的指定工况，确定状态数据对应的工况类型；

其中，所述多分类检测模型根据多分类算法构建，并根据带有标签类型的多种工况状态数据作为样本进行训练后得到，所述多分类算法包括机器学习算法以及集成学习算法。

5.根据权利要求4所述的旋转型机械设备异常检测方法，其特征在于，结合第二异常类型获得的指定工况，确定状态数据对应的工况类型，包括：

获取概率最大的两种工况，若最大概率小于50％，且最大概率工况与指定工况一致，或最大概率大于50％，则确定工况类型为最大概率的工况；

若最大概率小于50％，第二大概率工况与指定工况一致，则确定工况类型为第二大概率的工况；

若最大概率小于50％，最大概率、第二大概率工况与指定工况都不一致，则确定工况类型为最大概率工况。

6.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述获取旋转型机械设备运行过程中的状态数据之后，还包括：

对所述状态数据进行数据预处理；

相应地，对所述状态数据进行特征提取，具体为：

对数据预处理后的状态数据进行特征提取；

所述数据预处理包括去均值处理、数据清洗及数据滤波中的一种或多种。

7.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述对所述状态数据进行特征提取之后，还包括：

对提取到的特征进行特征预处理；

相应地，将提取得到的特征数据输入至预设的异常检测模型，具体为：

将预处理后的特征数据输入至预设的异常检测模型；

所述特征预处理包括特征降维及特征组合。

8.一种旋转型机械设备异常检测装置，其特征在于，包括：

提取模块，用于获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；

处理模块，用于将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；

其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述旋转型机械设备异常检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述旋转型机械设备异常检测方法的步骤。