CN110261080B - 基于多模态数据的异构旋转型机械异常检测方法及系统 - Google Patents
基于多模态数据的异构旋转型机械异常检测方法及系统 Download PDFInfo
- Publication number
- CN110261080B CN110261080B CN201910490095.2A CN201910490095A CN110261080B CN 110261080 B CN110261080 B CN 110261080B CN 201910490095 A CN201910490095 A CN 201910490095A CN 110261080 B CN110261080 B CN 110261080B
- Authority
- CN
- China
- Prior art keywords
- module
- data
- anomaly detection
- heterogeneous
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供基于多模态数据的异构旋转型机械异常检测方法及系统,包括:将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;频谱转换模块将多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;编码器模块提取多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;解码器模块对降维频谱信息进行解码映射,得到频谱重构误差信息;异常检测模块通过所述基于密度估计的异常检测模型对多模态异构旋转型机械数据进行异常检测识别,本发明实施例有效解决了异常检测中误报和漏报率高的问题。
Description
技术领域
本发明涉及工程故障检测技术领域,尤其涉及基于多模态数据的异构旋转型机械异常检测方法及系统。
背景技术
工业应用中的异构旋转型机械也有可能会出现异常工况出现的情况,但是对于工业应用中的异构旋转型机械的异常工况很难通过简单的阈值实现同类型不同型号机器设备的异常检测,其通常需要借助专家经验,从设备振动幅度、流量、进出口压力、声音等多维度综合分析才能实现对于异构旋转型机械的异常检测,具体来说,是指根据机器的数据,依据专家的经验,对某一数据具体设置最小值和最大值的阈值,从而通过专家根据经验具体设置的阈值来进行异构旋转型机械异常检测。
但是针对于专家根据经验具体设置的某一数据阈值来判断机器的是否出现异常工况,没有考虑到各种数据测量值的组合及其多模态数据,很难准确判断异构旋转型机械这种复杂设备的实际运行状况,因此可能会发送大量错误警报,也可能会出现警报漏报的情况,难以准确的进行对于异构旋转型机械的异常检测,因此如何进行高效准确的对于异构旋转型机械进行异常检测已经成为本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供基于多模态数据的异构旋转型机械异常检测方法及系统,用于解决上述背景技术中提出的技术问题或至少部分解决上述背景技术中提出的技术问题。
第一方面,本发明实施例提供基于多模态数据的异构旋转型机械异常检测方法,包括:
将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;
基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;
基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;
基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;
基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
更具体的,所述将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息的步骤具体包括:
将所述多模态异构旋转型机械数据进行傅里叶变换,得到多模态异构旋转型机械数据频谱信息。
更具体的,所述卷积神经网络模块包括依次连接的输入层、第一隐藏层、第二隐藏层和输出层;
其中,所述卷积神经网络模块为4层前馈式结构。
更具体的,所述通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息的步骤具体包括:
编码器模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征;
根据所述多模态异构旋转型机械数据频谱信息的频谱特征进行降维处理,得到降维频谱信息;
其中,所述编码器模块由多个级联的卷积、激活和池化的结构单元构建。
更具体的,所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息的步骤具体包括:
通过长短期记忆网络层提取所述降维频谱信息的长距离序列信息;得到长距离降维频谱序列信息;
通过反卷积层对所述长距离降维频谱序列信息进行解码映射,得到频谱重构误差信息。
更具体的,所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别的步骤,具体包括:
将所述频谱重构误差信息作为一个训练样本,获取多个训练样本;
将多个训练样本输入基于密度估计的模型进行训练,当满足预设条件时,停止训练,得到基于密度估计的异常检测模型;
通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
第二方面,本发明实施例提供基于多模态数据的异构旋转型机械异常检测系统,包括:
数据输入模块,用于将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;
频谱转换模块,用于基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;
编码器模块,用于基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;
解码器模块,用于基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;
异常检测模块,用于基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
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,所述处理器执行所述程序时实现如第一方面所述基于多模态数据的异构旋转型机械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如第一方面所述基于多模态数据的异构旋转型机械异常检测方法的步骤。
本发明实施例提供的基于多模态数据的异构旋转型机械异常检测方法及系统,通过将多模态异构旋转型机械数据进行傅里叶变换,转化为频谱信息,使得信息更加稳定,并实现了对于该信息的去噪效果,所述编码器模块提取傅里叶转换后的多模态异构旋转型机械数据的高频特征,并进行降维处理,得到降维频谱信息,然后基于解码器模块对降维频谱信息进行解码,最终输出与编码器模块输入相同维度的重构误差信息,最后根据重构误差信息结合密度估计的模型进行建模,得到基于密度估计的异常检测模型,从而实现对于多模态异构旋转型机械数据的异常工况进行识别,本发明实施例的检测方法克服传统方法效率低下、人工成本高的弊端,并且通过将重构误差作为样本进行建模,从而有效解决了异常检测中误报和漏报率高的问题。
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为本发明一实施例所描述的基于多模态数据的异构旋转型机械异常检测方法流程图;
图2为本发明一实施例所描述的基于多模态数据的异构旋转型机械异常检测系统结构示意图;
图3为本发明一实施例所描述的电子设备结构示意图。
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。
图1为本发明一实施例所描述的基于多模态数据的异构旋转型机械异常检测方法流程图,如图1所示,包括:
步骤S1,将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;
步骤S2,基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;
步骤S3,基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;
步骤S4,基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;
步骤S5,基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
具体的,本发明实施例中所描述的多模态异构旋转型机械数据具体是指异构旋转型机械中的设备振动幅度、流量、进出口压力、声音等构成的多维数据,即本发明实施例中的多维数据是由多种类型构成的数据。
本发明实施例中所描述的将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息具体是指通过傅里叶变换将时域数据多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息,其有利于后续数据的处理。
本发明实施例中所描述的编码器模块可以是采用4层前馈式结构的卷积神经网络,即由输入层、第一隐藏层、第二隐藏层和输出层4层构成。输入层包含NxM个神经元,第一隐藏层包括K个神经元,第二隐藏层包括L个神经元,输出层为O神经元,其中M、K、L和O均为自然数,M表示不同输入的观测值,而各隐藏层采用卷积、激活和池化加批归一化(BatchNormalization)的结构。
本发明实施例通过编码器模块采用上述卷积神经网络,提取多模态异构旋转型机械数据频谱信息的频谱特征,然后在保留该频谱特征的基础上通过多卷积层的降维减小了频谱结构的冗余,保留了该频域空间的主要特点,得到降维频谱信息;具体核函数的大小可以选用(3,3)、(1,3)、(1,5)、(1,7)等,本发明实施例不对其做出具体限定。
本发明实施例中所描述的解码器模块中的长短期记忆网络(Long Short-TermMemory;LSTM)层设置于反卷积层的前面,以进一步描述降维后的降维频谱信息,LSTM层可以提取输入降维频谱信息的长距离序列信息,相对于普通卷积神经网络可以更好的对频谱对时间变化的趋势建模,且保证LSTM的输入与输出维度一致,然后通过反卷积层进行解码映射,从而实现对于降维频频谱信息的重构,从而得到降维重构误差信息。
本发明实施例中所描述的重构误差是指对应频谱数据各元素的差值即为重构误差,通常可以采用平均绝对值误差或均方误差表示。
本发明实施例中所描述的基于密度估计的异常检测模型可以是指高斯混合模型。
根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型,此时基于密度估计的异常检测模型可以根据正常样本数据和异常样本数据的频谱特点及其样本分布不同,因此异常数据和正常数据的重构误差也不同,所以通过对不同多模态异构旋转型机械数据重构误差的判断实现基于概率的异常检测。
本发明实施例通过将多模态异构旋转型机械数据进行傅里叶变换,转化为频谱信息,是的信息更加稳定,并实现了对于该信息的去噪效果,所述编码器模块提取傅里叶转换后的多模态异构旋转型机械数据的高频特征,并进行降维处理,得到降维频谱信息,然后基于解码器模块对降维频谱信息进行解码,最终输出与编码器模块输入相同维度的重构误差信息,最后根据重构误差信息结合密度估计的模型进行建模,得到基于密度估计的异常检测模型,从而实现对于多模态异构旋转型机械数据的异常工况进行识别,本发明实施例的检测方法克服传统方法效率低下、人工成本高的弊端,并且通过将重构误差作为样本进行建模,从而有效解决了异常检测中误报和漏报率高的问题。
在上述实施例的基础上,所述将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息的步骤具体包括:
将所述多模态异构旋转型机械数据进行傅里叶变换,得到多模态异构旋转型机械数据频谱信息。
具体的,本发明实施例中本发明实施例中的傅里叶变换可以是对数据进行N点(N可以取64,128、256、512等自然数)的傅里叶变换,将时域数据转化为频谱,得到多模态异构旋转型机械数据频谱信息。
本发明实施例中所描述原始时域数据经傅里叶变换后得到的频谱特性显著且相对稳定,将多种传感器数据的频谱级联后,即可作为编解码阶段的输入,有利于后续步骤的进行。
在上述实施例的基础上,所述卷积神经网络模块包括依次连接的输入层、第一隐藏层、第二隐藏层和输出层;
其中,所述卷积神经网络模块为4层前馈式结构。
具体的,输入层包含NxM个神经元,第一隐藏层包括K个神经元,第二隐藏层包括L个神经元,输出层为O神经元,其中M、K、L和O均为自然数,M表示不同输入的观测值,而各隐藏层采用卷积、激活和池化加批归一化(Batch Normalization)的结构。
本发明实施例通过多个级联的卷积、激活、池化和批归一化的神经网络构建编码器模块,以提取多模态异构旋转型机械数据频谱信息的频谱特征。此时,通过多卷积层的降维减小了频谱结构的冗余,且保留了其频域空间结构的主要特点,有利于后续步骤的进行。
在上述实施例的基础上,所述通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息的步骤具体包括:
编码器模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征;
根据所述多模态异构旋转型机械数据频谱信息的频谱特征进行降维处理,得到降维频谱信息;
其中,所述编码器模块由多个级联的卷积、激活和池化的结构单元构建。
具体的,本发明实施例中所描述的是对多级联的多模态异构旋转型机械数据频谱信息进行降维处理,且降维处理过程中应当保留多模态异构旋转型机械数据频谱信息的频谱特征,从而得到降维频谱信息,则此时得到的降维频谱信息保留了所述多模态异构旋转型机械数据频谱信息的频谱特征。
本发明实施例通过对多模态异构旋转型机械数据频谱信息进行特征提取,然后根据提取的频谱特征进行降维处理,有效实现了对于多模态异构旋转型机械数据的编码,有利于后续步骤,即重构的实现。
在上述实施例的基础上,所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息的步骤具体包括:
通过长短期记忆网络层提取所述降维频谱信息的长距离序列信息;得到长距离降维频谱序列信息;
通过反卷积层对所述长距离降维频谱序列信息进行解码映射,得到频谱重构误差信息。
具体的,本发明实施例中所描述的长短期记忆网络层是安装在反卷积层上层位置,且LSTM是一种时间递归神经网络,其可以克服循环神经网络(Recurrent NeuralNetwork;RNN)会丧失学习到很远的信息能力,即RNN网络记忆容量是有限的问题,LSTM可以通过获取长距离序列信息解决该问题,因此LSTM可以更好的对降维频谱信息随时间趋势进行建模,得到长距离降维频谱序列信息。
然后针对于LSTM的输出即长距离降维频谱序列信息,反卷积层对其进行解码映射,最终得到对应频谱信息各元素的差值,即频谱重构误差信息。
本发明实施例通过LSTM层的加入,实现对于长距离序列信息的获取,从而可以更好的对降维频谱信息随时间趋势进行建模,以最终得到频谱重构误差信息,有利于后续步骤的进行。
在上述实施例的基础上,所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别的步骤,具体包括:
将所述频谱重构误差信息作为一个训练样本,获取多个训练样本;
将多个训练样本输入基于密度估计的模型进行训练,当满足预设条件时,停止训练,得到基于密度估计的异常检测模型;
通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
具体的,本发明实施例中所描述的获取多个训练样本是指通过多次重复上述步骤S1至步骤S4的重构过程所得到的多个训练样本。
本发明实施例中所描述的基于密度估计的模型可以是指高斯混合模型。
本发明实施例中基于密度估计的模型进行训练可以是指针对多个训练样本进行建模,而显然正常样本属于和异常样本数据的频谱特点和样本分布不同,所以正常样本和异常样本的重构误差分布也不相同,因此通过高斯混合模型等密度估计算法进行重构误差建模,从而实现基于概率的异常检测。
本发明实施例中所描述的预设条件可以是指预设训练时间或是预设训练次数。
本发明实施例通过重构误差进行建模,从而可以实现对于多模态异构旋转型机械数据中异常数据的有效监测,具有数据处理速度快、准确度高、成本低等优点。
图2为本发明一实施例所描述的基于多模态数据的异构旋转型机械异常检测系统结构示意图,如图2所示,包括:数据输入模块210、频谱转换模块220、编码器模块230、解码器模块240和异常检测模块250;其中,数据输入模块210用于将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;其中,频谱转换模块220用于基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;其中,编码器模块230用于基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;其中,解码器模块240用于基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;其中,异常检测模块250用于基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
本发明实施例所描述的系统是用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例通过将多模态异构旋转型机械数据进行傅里叶变换,转化为频谱信息,是的信息更加稳定,并实现了对于该信息的去噪效果,所述编码器模块提取傅里叶转换后的多模态异构旋转型机械数据的高频特征,并进行降维处理,得到降维频谱信息,然后基于解码器模块对降维频谱信息进行解码,最终输出与编码器模块输入相同维度的重构误差信息,最后根据重构误差信息结合密度估计的模型进行建模,得到基于密度估计的异常检测模型,从而实现对于多模态异构旋转型机械数据的异常工况进行识别,本发明实施例的检测方法克服传统方法效率低下、人工成本高的弊端,并且通过将重构误差作为样本进行建模,从而有效解决了异常检测中误报和漏报率高的问题。
图3为本发明一实施例所描述的电子设备结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
此外,上述的存储器330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)执行本发明各个实施例所述方法的全部或部分步骤。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。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述实施例所提供上述方法,例如包括:将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计
以上所描述的系统实施例仅仅是示意性的,其中所述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所述的方法。
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 (9)
1.基于多模态数据的异构旋转型机械异常检测方法,其特征在于,包括:
将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;
基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;
基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;
基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;
基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
2.根据权利要求1所述基于多模态数据的异构旋转型机械异常检测方法,其特征在于,所述将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息的步骤具体包括:
将所述多模态异构旋转型机械数据进行傅里叶变换,得到多模态异构旋转型机械数据频谱信息。
3.根据权利要求1所述基于多模态数据的异构旋转型机械异常检测方法,其特征在于,所述卷积神经网络模块包括依次连接的输入层、第一隐藏层、第二隐藏层和输出层;
其中,所述卷积神经网络模块为4层前馈式结构。
4.根据权利要求3所述基于多模态数据的异构旋转型机械异常检测方法,其特征在于,所述通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息的步骤具体包括:
编码器模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征;
根据所述多模态异构旋转型机械数据频谱信息的频谱特征进行降维处理,得到降维频谱信息;
其中,所述编码器模块由多个级联的卷积、激活和池化加批归一化的结构单元构建。
5.根据权利要求1所述基于多模态数据的异构旋转型机械异常检测方法,其特征在于,所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息的步骤具体包括:
通过长短期记忆网络层提取所述降维频谱信息的长距离序列信息;得到长距离降维频谱序列信息;
通过反卷积层对所述长距离降维频谱序列信息进行解码映射,得到频谱重构误差信息。
6.根据权利要求1所述基于多模态数据的异构旋转型机械异常检测方法,其特征在于,所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别的步骤,具体包括:
将所述频谱重构误差信息作为一个训练样本,获取多个训练样本;
将多个训练样本输入基于密度估计的模型进行训练,当满足预设条件时,停止训练,得到基于密度估计的异常检测模型;
通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
7.基于多模态数据的异构旋转型机械异常检测系统,其特征在于,包括:
数据输入模块,用于将多模态异构旋转型机械数据输入训练好的异构旋转型机械异常检测模型中;所述异构旋转型机械异常检测模型包括依次连接的频谱转换模块、编码器模块、解码器模块和异常检测模块;
频谱转换模块,用于基于所述频谱转换模块将所述多模态异构旋转型机械数据转换为多模态异构旋转型机械数据频谱信息;
编码器模块,用于基于所述编码器模块通过卷积神经网络模块提取所述多模态异构旋转型机械数据频谱信息的频谱特征,得到降维频谱信息;
解码器模块,用于基于所述解码器模块通过长短期记忆网络层和反卷积层对所述降维频谱信息进行解码映射,得到频谱重构误差信息;
异常检测模块,用于基于所述异常检测模块根据所述频谱重构误差信息进行建模得到基于密度估计的异常检测模型;通过所述基于密度估计的异常检测模型对异构旋转型机械数据进行异常检测识别。
8.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6任一项所述基于多模态数据的异构旋转型机械异常检测方法的步骤。
9.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6任一项所述基于多模态数据的异构旋转型机械异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490095.2A CN110261080B (zh) | 2019-06-06 | 2019-06-06 | 基于多模态数据的异构旋转型机械异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490095.2A CN110261080B (zh) | 2019-06-06 | 2019-06-06 | 基于多模态数据的异构旋转型机械异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110261080A CN110261080A (zh) | 2019-09-20 |
CN110261080B true CN110261080B (zh) | 2020-12-15 |
Family
ID=67917124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490095.2A Active CN110261080B (zh) | 2019-06-06 | 2019-06-06 | 基于多模态数据的异构旋转型机械异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261080B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807518A (zh) * | 2019-11-06 | 2020-02-18 | 国网山东省电力公司威海供电公司 | 一种面向电网数据的离群点检测方法 |
CN111141382B (zh) * | 2020-01-15 | 2021-08-31 | 北京英华达软件工程有限公司 | 一种基于振动的多维度风机叶片自诊断装置及方法 |
CN112420065B (zh) * | 2020-11-05 | 2024-01-05 | 北京中科思创云智能科技有限公司 | 音频降噪处理方法和装置及设备 |
CN113625681B (zh) * | 2021-07-19 | 2022-12-13 | 湖南大学 | Can总线异常检测方法、系统及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006157789A (ja) * | 2004-12-01 | 2006-06-15 | Kddi Corp | 音声障害検出装置 |
CN106682688B (zh) * | 2016-12-16 | 2020-07-28 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
GB2567850B (en) * | 2017-10-26 | 2020-11-04 | Gb Gas Holdings Ltd | Determining operating state from complex sensor data |
CN108106844B (zh) * | 2017-11-22 | 2019-09-13 | 辽宁大学 | 一种自适应参数调节的自动编码机的轴承故障诊断方法 |
CN108614548B (zh) * | 2018-04-03 | 2020-08-18 | 北京理工大学 | 一种基于多模态融合深度学习的智能故障诊断方法 |
CN108344574B (zh) * | 2018-04-28 | 2019-09-10 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
-
2019
- 2019-06-06 CN CN201910490095.2A patent/CN110261080B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110261080A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261080B (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
JP7010641B2 (ja) | 異常診断方法および異常診断装置 | |
Rajabi et al. | Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
CN113868006B (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN111091278A (zh) | 机械设备异常检测的边缘检测模型构建方法及装置 | |
US11435719B2 (en) | System and method for identifying manufacturing defects | |
CA2865761C (en) | Time series analytics | |
CN113008583A (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
CN112131907A (zh) | 一种训练分类模型的方法及装置 | |
WO2021059302A2 (en) | Method and system for diagnosing anomaly in a manufacturing plant | |
JP2018067287A (ja) | センサ信号の自己学習による異常検出 | |
CN113239970A (zh) | 一种模型训练方法、设备振动异常检测方法和装置 | |
CN116756594A (zh) | 一种电网数据异常点检测方法、系统、设备及介质 | |
CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN113110403A (zh) | 一种基于稀疏约束的工业过程离群点检测与故障诊断方法和系统 | |
JP7173168B2 (ja) | 異常検知装置、システム、方法及びプログラム | |
CN114861740B (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 | |
CN110826607A (zh) | 一种滚动轴承的故障检测方法及装置 | |
CN113486595B (zh) | 一种井喷智能预警方法、系统、设备和存储介质 | |
TW202336549A (zh) | 檢測網路中基礎設施設備產生的時間序列數據異常的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |