CN110550518A - 一种基于稀疏去噪自编码的电梯运行异常检测方法 - Google Patents

Abstract

本发明公开一种基于稀疏去噪自编码的电梯运行异常检测方法，包括：分别获取电梯正常和异常振动的时域波形；根据正常和异常振动的时域波形得到正常和异常振动的频域波形；根据时域和频域波形制作训练集和测试集；采用单层稀疏去噪自编码对训练集进行学习，得到第一神经网络；采用层叠稀疏去噪自编码以及BP算法对第一神经网络进行调整，得到第二神经网络；采用测试集对第二神经网络进行测试，得到各样本的时域重构误差和频域重构误差，从而得到融合重构误差序列；将融合重构误差序列的中值设为区分正常和异常数据的阈值；利用阈值和第二神经网络判断待检测信号是否异常。本发明能够解决异常样本过少的问题，提高异常检测的效率和准确率。

Description

一种基于稀疏去噪自编码的电梯运行异常检测方法

技术领域

本发明涉及异常检测技术领域，特别是涉及一种基于稀疏去噪自编码的电梯运行异常检测方法。

背景技术

异常检测在很多领域都是一个非常重要的问题。异常检测任务的目标是识别与期望不一致的模型，这种不一致模型被定义为离群值。在已研究开发的异常检测技术中，涉及到信用卡欺诈检测、网络入侵检测、疾病诊断检测、轴承故障检测等。

在电梯质量评估中频谱异常检测任务与其他异常检测任务有很大的不同，主要体现在两个方面：(1)异常类型的多样性使得异常数据无法进行标注。(2)电梯工况的复杂度和数量增加了手工提取特征的难度。所以，电梯的频谱异常检测任务面临着三大挑战：(1)异常类型的多样性，使得无法获取足够多的带有标签的数据；(2)数据的分布不均匀，原始数据中正常数据远远大于异常数据，可能学习模型不足的问题；(3)数据的复杂度和数量大。

所以电梯质量评估中的时频数据在某种意义上可以看作是大数据，而大数据的异常检测相对比较困难；大数据的特点是人工特征提取方法很难从原始数据中提取有用的特征，所以现有技术中并没有一个很好的专门针对电梯运行异常检测的方法。

发明内容

本发明的目的是提供一种基于稀疏去噪自编码的电梯运行异常检测方法，能够解决电梯运行过程中异常类型的多样性、数据的分布不均匀和数据的复杂度和数量大的问题，从而实现对电梯运行的异常检测。

为实现上述目的，本发明提供了如下技术方案：

一种基于稀疏去噪自编码的电梯运行异常检测方法，包括：

分别获取电梯正常振动和异常振动的时域波形；

分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形；

根据所述时域波形和频域波形制作训练集和测试集；

采用单层稀疏去噪自编码对所述训练集进行学习，得到第一神经网络；

采用层叠稀疏去噪自编码以及BP算法对所述第一神经网络进行调整，得到第二神经网络；

采用测试集对所述第二神经网络进行测试，得到测试集中各样本的时域重构误差和频域重构误差；

根据所述时域重构误差和频域重构误差得到融合重构误差序列；

将所述融合重构误差序列的中值设为区分正常数据和异常数据的阈值；

利用所述阈值和第二神经网络判断待检测信号是否异常。

可选的，所述正常振动为电梯正常运行时采集的振动，异常振动为电梯进行故障维保前设定时间内采集的振动。

可选的，所述训练集中包含正常数据的时域波形和正常数据的频域波形，测试集中包含正常数据的时域波形、正常数据的频域波形、异常数据的时域波形和异常数据的频域波形。

可选的，所述分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形，包括：

截取预设长度的正常振动和异常振动的时域波形；

对所述预设长度的正常振动和异常振动的频域波形做离散短时傅里叶变换；

对所述离散短时傅里叶变换结果做归一化处理。

可选的，所述采用层叠的稀疏去噪自编码对所述训练集进行学习，得到第一神经网络，包括：

采用正则化损失函数对所述训练集进行单层稀疏去噪自编码训练，得到第一权重；

将多个单层稀疏去噪自编码组成堆叠稀疏去噪自编码；

将所述第一权重作为堆叠稀疏去噪自编码的初始化权重进行训练。

可选的，所述根据所述时域重构误差和频域重构误差得到融合重构误差序列，包括：

采用公式et＝α·e(t)+β·e(f)融合各数据的时域重构误差e(t)和频域重构误差e(f)，得到融合重构误差序列，其中，et为融合重构误差，e(t)为时域重构误差，e(f)为频域重构误差，α是时域重构误差的权重，β是频域重构误差的权重。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明利用稀疏去噪自编码从电梯的振动信号中提取特征，可以提高对振动信号的分类速度，解决异常样本过少的问题，而且根据测试结果与阈值的大小关系判断数据是否异常，能够提高准确率，从而实现对电梯的异常检测。

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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明基于稀疏去噪自编码的电梯运行异常检测的方法流程图；

图2为本发明实施例振动信号的时频图；

图3为本发明实施例堆叠稀疏去噪自编码网络结构图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明的目的是提供一种基于稀疏去噪自编码的电梯运行异常检测方法，能够解决电梯运行过程中异常类型的多样性、数据的分布不均匀和数据的复杂度和数量大的问题，从而实现对电梯运行的异常检测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明基于稀疏去噪自编码的电梯运行异常检测的方法流程图，如图1所示，一种基于稀疏去噪自编码的电梯运行异常检测方法，包括：

步骤101分别获取电梯正常振动和异常振动的时域波形；

步骤102分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形；

步骤103根据所述时域波形和频域波形制作训练集和测试集；

步骤104采用单层稀疏去噪自编码对所述训练集进行学习，得到第一神经网络；

步骤105采用层叠稀疏去噪自编码以及BP算法对所述第一神经网络进行调整，得到第二神经网络；

步骤106采用测试集对所述第二神经网络进行测试，得到测试集中各样本的时域重构误差和频域重构误差；

步骤107根据所述时域重构误差和频域重构误差得到融合重构误差序列；

步骤108将所述融合重构误差序列的中值设为区分正常数据和异常数据的阈值；

步骤109利用所述阈值和第二神经网络判断待检测信号是否异常。

具体的，步骤101中采用MMA7455加速度传感器采集电梯的振动信号，正常振动为电梯正常运行时采集的振动，异常振动为电梯进行故障维保前2小时内采集的振动。

步骤102分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形，包括：

截取预设长度的正常振动和异常振动的时域波形，所述预设长度为2的幂次方个采样点，优选为采样频率为1kHz时截取512个采样点；

对所述预设长度的正常振动和异常振动的频域波形做离散短时傅里叶变换，具体原理和方法为：

短时傅里叶变换是由傅里叶变换推广得到的，他和傅里叶变换的区别是可以反映出信号在各个时间点的频率，短时傅里叶变换对频谱的描绘是“局部性”的，反映频率分量出现和消失的是时间结构。

振动信号的时频图如图2所示，短时傅里叶变换的公式如下：

其中z(t)为源信号，g(t)为窗函数，f是频率。

其中窗函数为汉宁窗，汉宁(Hanning)窗可以看成是升余弦窗的一个特例，汉宁窗可以看作是3个矩形时间窗的频谱之和，或者说是3个sinc(t)型函数之和，而括号中的两项相对于第一个谱窗向左、右各移动了π/T，从而使旁瓣互相抵消，消去高频干扰和漏能，适用于非周期性的连续信号。

汉宁窗的公式如下：

其中n属于N是汉宁窗的长度。

而本发明中的振动信号是离散信号，所以用的是离散短时傅里叶变换，具体公式为：

其中z(k)为源信号，g(k)为窗函数。

将所述短时傅里叶变换的结果进行归一化处理得到电梯振动信号频谱Xf1，线性归一化的公式如下：

Xf1＝(Xi-Xmin)/(Xmax-Xmin)；

其中，i＝1,2,3,...,n；n为电梯振动频谱信号的采样点数；Xi为电梯振动频谱信号；Xf1为电梯振动频谱信号线性归一化后得到的信号；Xmax为轴承振动频谱信号中幅值最大的信号；Xmin为轴承振动频谱信号中幅值最小的信号。

步骤103中所述训练集侧测试集均包括1000个采样点，训练集中包含正常数据的时域波形和频域波形；测试集中包含正常数据的时域波形和频域波形和异常数据的时域波形和频域波形，正常数据和异常数据的比例是7:3。

步骤104和步骤105的具体原理为：用所述电梯振动信号的时域和频域波形，通过无监督学习训练单层稀疏去噪自编码(SDA)模型；再采用多个稀疏自编码组成堆叠稀疏去噪自编码(SSDA)分别对时域波形和频域波形提取有用的特征量，SSDA可以对振动信号进行逐层学习，增强网络的泛化性。

而单层稀疏去噪自编码SDA由SAE和DAE组合，同时具备了SAE的稀疏性和DAE的鲁棒性。自动编码器是三层的非监督神经网络，分为编码网络与解码网络两个部分。自动编码器(AE)的输入数据和输出目标相同，通过编码网络将高维空间的输入数据转换为低维空间的编码矢量，通过解码网络将低维空间的编码矢量重构回原来的输入数据。由于在输出层可对输入信号进行重构，使得编码矢量成为输入数据的一种特征表示。为了尽可能提取主要信息，能够还原输入信号而不损失信息，我们在自动编码器的基础上加入限定条件，要求节点大部分是0，而只有少数的节点是非零的，这样就构成了稀疏自动编码器SAE；而SSAE模型是多个稀疏编码器叠加。

DAE，结构如图3(a)所示，编码网络将含有一定统计特性的噪声加入样本数据，然后对样本进行编码，解码网络再根据噪声统计特性从未受到干扰的数据中估计出受干扰样本的原始形式，从而使DAE从含噪样本中学习到更具鲁棒性的特征，降低DAE对微小随机扰动的敏感性。同理，DAE通过添加噪声进行编码重构，可有效减小机械工况变化与环境噪声等随机因素对提取的健康状况信息的影响，提高特征表达的鲁棒性。

本发明中采用的SSDA模型即为层叠的稀疏去噪自动编码器，结构如图3(b)所示，使用自下而上的非监督学习。先用训练集的数据训练第一层，得到第一层的连接权值和偏置参数。由稀疏自动编码器原理可知，SDA模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征。在学习得到第1层后，将1层的输出作为第2层的输入，训练第2层，由此得到第二层的连接权值和偏置参数，以此类推，通过对数据的逐层学习得到最终的重构特征。

步骤104和步骤105的具体方法为：采用正则化损失函数对所述训练集进行单层稀疏去噪自编码学习训练，得到第一权重；

SDA的损失函数的公式为：

其中，ρ是稀疏性参数，ρ_j表示隐藏层上第j号神经元的所对应x的平均激活值，w是神经网络的权重；当时，当两者差距越大，函数值越大。其中β控制稀疏性惩罚因子的权重，γ为权重约束项，其目的是减小权重的幅度，防止过拟合。

为最大限度恢复信号，提高振动信号的去噪性能，还要对SDA网络损失函数做边缘化处理，形成边缘化稀疏去噪自编码(MSDA)，为提高SDA鲁棒性，使输出最大限度接近输入，通常对训练样本多次重复添加同类分布噪声，获得竟可能多的训练样本，从而训练出最优参数。MSDA的损失函数的公式如下所述：

其中，ρ是稀疏性参数，ρ_j表示隐藏层上第j号神经元的所对应x的平均激活值，w是神经网络的权重；当时，当两者差距越大，函数值越大。其中β控制稀疏性惩罚因子的权重，是边缘化的损失函数，对该边缘化的损失函数进行反向求导得到第一权重w；然后将多个单层稀疏去噪自编码组成堆叠稀疏去噪自编码；将所述第一权重作为堆叠稀疏去噪自编码的初始化权重进行训练。

步骤105中由于在训练单个SDA时已经考虑了稀疏约束条件，所以SDA在利用BP算法微调阶段的损失函数为：

其中γ为权重约束项，其目的是减小权重的幅度，防止过拟合，w是神经网络的权重。

由于在训练单个MSDA时已考虑权重衰减项和稀疏项，所以SMSDA在利用BP算法微调阶段的损失函数为：

其中x是原始数据，f(g(x))是重构后的数据。

对该损失函数进行反向求导得到第二权重w。

步骤106采用测试集对所述第二神经网络进行测试，得到测试集中各样本的时域重构误差和频域重构误差，包括：

对测试数据进行测试，得到重构数据。再利用重构数据计算重构误差，计算时域重构误差和频域重构误差两者都是均方误差。，其中是重构数据，x_t是原始数据。

步骤107根据所述时域重构误差和频域重构误差得到融合重构误差序列，包括：

采用公式et＝α·e(t)+β·e(f)融合每个数据的时域重构误差e(t)和频域重构误差e(f)，得到融合重构误差序列，其中，et为融合重构误差，e(t)为时域重构误差，e(f)为频域重构误差，α和β分别是时域重构误差和频域重构误差的权重，可以根据实际情况调整。

步骤108将所述融合重构误差序列的中值设为区分正常数据和异常数据的阈值，具体包括：将所述融合重构误差序列的中值设为区分正常数据和异常数据的阈值，其中重构误差序列遍历无异常样本的最大重构误差到有异常样本的最小重构误差，而且为了区分异常和正常数据，通常使用阈值将重构误差转换成二进制结果，设置阈值的目的是在查准率和查全率之间的权衡。

步骤109利用所述阈值和第二神经网络判断待检测信号是否异常，具体方法为：

将待检测信号输入第二神经网络得到一个重构数据，用所述重构数据计算融合重构误差与所述阈值进行比较，若该结果大于等于所述阈值，则数据异常；若该结果小于所述阈值，则数据正常。

本发明还公开了如下技术效果：

本发明有利于解决振动信号异常类型的多样性、数据的分布不均匀、数据的复杂度和数量大的问题。本发明利用层叠稀疏去噪自动编码器通过无监督自学习过程得到的特征向量能够重构原始数据，去除振动信号中的噪声，增强鲁棒性，有效实现特征的进一步表示，有利于挖掘数据的本质特征，从而检测出电梯运行的异常数据。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，包括：

分别获取电梯正常振动和异常振动的时域波形；

分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形；

根据所述时域波形和频域波形制作训练集和测试集；

采用单层稀疏去噪自编码对所述训练集进行学习，得到第一神经网络；

采用层叠稀疏去噪自编码以及BP算法对所述第一神经网络进行调整，得到第二神经网络；

采用测试集对所述第二神经网络进行测试，得到测试集中各样本的时域重构误差和频域重构误差；

根据所述时域重构误差和频域重构误差得到融合重构误差序列；

将所述融合重构误差序列的中值设为区分正常数据和异常数据的阈值；

利用所述阈值和第二神经网络判断待检测信号是否异常。

2.根据权利要求1所述的基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，所述正常振动为电梯正常运行时采集的振动，异常振动为电梯进行故障维保前设定时间内采集的振动。

3.根据权利要求1所述的基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，所述训练集中包含正常数据的时域波形和正常数据的频域波形，测试集中包含正常数据的时域波形、正常数据的频域波形、异常数据的时域波形和异常数据的频域波形。

4.根据权利要求1所述的基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，所述分别对所述正常振动和异常振动的时域波形进行频谱分析，得到电梯正常振动和异常振动的频域波形，包括：

截取预设长度的正常振动和异常振动的时域波形；

对所述预设长度的正常振动和异常振动的频域波形做离散短时傅里叶变换；

对所述离散短时傅里叶变换结果做归一化处理。

5.根据权利要求1所述的基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，所述采用层叠的稀疏去噪自编码对所述训练集进行学习，得到第一神经网络，包括：

采用正则化损失函数对所述训练集进行单层稀疏去噪自编码训练，得到第一权重；

将多个单层稀疏去噪自编码组成堆叠稀疏去噪自编码；

将所述第一权重作为堆叠稀疏去噪自编码的初始化权重进行训练。

6.根据权利要求1所述的基于稀疏去噪自编码的电梯运行异常检测方法，其特征在于，所述根据所述时域重构误差和频域重构误差得到融合重构误差序列，包括：

采用公式et＝α·e(t)+β·e(f)融合各数据的时域重构误差e(t)和频域重构误差e(f)，得到融合重构误差序列，其中，et为融合重构误差，e(t)为时域重构误差，e(f)为频域重构误差，α是时域重构误差的权重，β是频域重构误差的权重。