CN111079348B - 一种缓变信号检测方法和装置 - Google Patents

一种缓变信号检测方法和装置 Download PDF

Info

Publication number
CN111079348B
CN111079348B CN201911376411.XA CN201911376411A CN111079348B CN 111079348 B CN111079348 B CN 111079348B CN 201911376411 A CN201911376411 A CN 201911376411A CN 111079348 B CN111079348 B CN 111079348B
Authority
CN
China
Prior art keywords
determining
neural network
working condition
data
network model
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
Application number
CN201911376411.XA
Other languages
English (en)
Other versions
CN111079348A (zh
Inventor
沈毅
刘雪艳
潘树强
彭时涛
宋钱骞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Watertek Information Technology Co Ltd
Original Assignee
Beijing Watertek Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Watertek Information Technology Co Ltd filed Critical Beijing Watertek Information Technology Co Ltd
Priority to CN201911376411.XA priority Critical patent/CN111079348B/zh
Publication of CN111079348A publication Critical patent/CN111079348A/zh
Application granted granted Critical
Publication of CN111079348B publication Critical patent/CN111079348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种缓变信号检测方法，包括：采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。本发明还公开了一种缓变信号检测装置。

Description

一种缓变信号检测方法和装置
技术领域
本发明涉及计算机技术领域，尤指一种基于深度学习的缓变信号异常检测方法。
背景技术
PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。
目前，PHM技术对于实施装备缓变信号过程性异常检测的方法主要有：基于BP神经网络检测方法，基于卡尔曼滤波检测方法，基于灰色模型检测方法，基于深度学习检测方法。
基于BP Back Propagation神经网络方法的缺陷在于：学习速度慢，简单的问题要学习上百次甚至上千次才能够收敛。容易陷入局部最优化，对于推断能力十分有限，网络模型参数易选取不当。基于卡尔曼滤波方法缺陷在于：不具备应对干扰变化的能力，对于不确定的扰动易出现滤波发散从而导致检测精度下降。基于灰色模型检测方法的缺陷在于：容易破坏原始时间序列自身的周期性和多种趋势特性，降低模型的鲁棒性。
相比于上述几种方法，基于深度学习的检测方法的优点在于：它有很强的非线性问题处理能力，以及强大的表征能力，并行处理，自适应学习等优点。
然而，缓变信号具有变化缓慢，频率低，信号特征提取不明显等特点。特别地，过程性缓变信号时序性突变(工况变化)的特点为异常信号的检测增大了难度。目前的基于数据的检测方法难以对其进行有效的信号异常检测。因此还需要改进现有的算法或者开发新的算法来解决这一难点问题。。
发明内容
为了解决上述技术问题，本发明提供了一种基于深度学习的缓变信号检测方法，精确的检测过程性信号异常，可以有效避免陷入局部最优，有较强的推断能力，并且可以避免检测精度以及模型鲁棒性降低的问题。
本发明提供一种缓变信号检测方法，包括：
采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。
可选地，其中，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，利用该工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用该工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数；
或者，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，从预先已完成初始化和训练的至少一个长短期记忆神经网络模型中选择该工作状况的长短期记忆神经网络模型，
其中，所述至少一个预先已完成初始化和训练的长短期记忆神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的长短期记忆神经网络模型：
利用当前工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用当前工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数。
可选地，其中，所述将所采集的缓变信号进行分窗时移处理后，输入所确定的所述长短期记忆神经网络模型，确定所述缓变信号的状态，包括：
将分窗时移处理后的数据输入所确定的长短期记忆神经网络模型，根据所确定的长短期记忆神经网络模型的正常训练模型参数，确定正常状况学习误差；根据所确定的长短期记忆神经网络模型的异常训练模型参数，确定异常状况学习误差；
根据所述正常状况学习误差和所述异常状况学习误差，确定所述缓变信号的状态。
可选地，其中，所述概率神经网络模型预先根据以下方法训练得到：
预先收集所述待测设备在不同工作状况下产生的对应的缓变信号；
从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；
对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；
将不同工作状况下的正常特征矩阵和对应的工作状况标签，以及不同工作状况下的异常特征矩阵和对应的工作状况标签，输入所述概率神经网络模型进行训练，确定所述概率神经网络模型的训练模型参数。
可选地，其中，所述根据所采集的缓变信号，确定待检测特征数据，包括：
根据所采集的缓变信号，确定所对应的工作状况是否多于一种；
当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集，根据各缓变信号数据子集分别确定对应的待检测特征数据；
当只有一种工作状况时，根据所采集的缓变信号确定对应的待检测特征数据。
可选地，其中，所述确定正常特征矩阵，包括：
根据预设的第一移动窗宽和第一时移步数，将所述正常样本数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；
其中，所述确定异常特征矩阵，包括：
根据预设的第二移动窗宽和第二时移步数，将所述异常样本数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。
可选地，其中，所述确定待检测特征数据，包括：
根据预设的第三移动窗宽和第三时移步数，将所采集的缓变信号进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵。
可选地，其中，所述根据所采集的缓变信号，确定所对应的工作状况是否多于一种，包括：
根据预设的跳变阈值，从所采集的缓变信号中寻找相邻两个数据点之间的变化值的绝对值是否大于所述跳变阈值的数据序号位置，记录该位置为数据信号跳变点；
如果所采集的缓变信号中不存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况只包括一种；
如果所采集的缓变信号中存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况包括多于一种；其中，所述将所采集的缓变信号分割为对应的多于一个的缓变信号子集，包括：将所采集的缓变信号根据跳变点的位置进行数据分割，得到多于一个的缓变信号子集。
可选地，其中，所述根据所述正常状况学习误差和所述异常状况学习误差，确定所述缓变信号的状态，包括：
计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。
本发明还提供一种缓变信号检测装置，包括：
信号采集模块，设置为采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
工作状况确定模块，设置为将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
长短期记忆神经网络模型确定模块，设置为根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
信号状态确定模块，设置为将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。
附图说明
图1为实施例一提供的一种缓变信号检测方法的流程图；
图2为实施例二提供的一种缓变信号检测方法的流程图；
图3为实施例二提供的一种缓变信号检测方法的流程细节图；
图4为实施例二中概率神经网络模型图；
图5为实施例二长短时记忆神经网络单元前向传播计算图；
图6实施例三提供的一种缓变信号检测装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步的详细描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
首先，本领域相关定义说明如下，但不限于下述各具体情况：
机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。相关领域的机器学习从学习策略的角度分为：模拟人脑的机器学习和采用数学方法的机器学习。其中采用数学的机器学习主要有统计机器学习，是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型，拟定参数，并输入样本数据，依据一定的策略，运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。
概率神经网络：(Probabilistic Neural Networks，PNN)是D.F.Specht博士在1989年提出的一种结构简单、应用广泛的神经网络，在模式分类问题中获得了广泛应用。
长短期记忆神经网络：(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。
实施例一
本发明提供一种缓变信号检测方法，其流程如图1，包括：
步骤101，采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
步骤102，将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
步骤103，根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
步骤104，将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。
可选地，步骤103中，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，利用该工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用该工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数；
可选地，步骤103中，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，从预先已完成初始化和训练的至少一个长短期记忆神经网络模型中选择该工作状况的长短期记忆神经网络模型，
其中，所述至少一个预先已完成初始化和训练的长短期记忆神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的长短期记忆神经网络模型：
利用当前工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用当前工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数。
可选地，步骤104中，所述将所采集的缓变信号进行分窗时移处理后，输入所确定的所述长短期记忆神经网络模型，确定所述缓变信号的状态，包括：
将分窗时移处理后的数据输入所确定的长短期记忆神经网络模型，根据所确定的长短期记忆神经网络模型的正常训练模型参数，确定正常状况学习误差；根据所确定的长短期记忆神经网络模型的异常训练模型参数，确定异常状况学习误差；
根据所述正常状况学习误差和所述异常状况学习误差，确定所述缓变信号的状态。
可选地，步骤102中，所述概率神经网络模型预先根据以下方法训练得到：
预先收集所述待测设备在不同工作状况下产生的对应的缓变信号；
从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；
对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；
将不同工作状况下的正常特征矩阵和对应的工作状况标签，以及不同工作状况下的异常特征矩阵和对应的工作状况标签，输入所述概率神经网络模型进行训练，确定所述概率神经网络模型的训练模型参数，即完成了所述概率神经网络模型的训练。
可选地，步骤101中，所述根据所采集的缓变信号，确定待检测特征数据，包括：
根据所采集的缓变信号，确定所对应的工作状况是否多于一种；
当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集，根据各缓变信号数据子集分别确定对应的待检测特征数据；
当只有一种工作状况时，根据所采集的缓变信号确定对应的待检测特征数据。
当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集后，对各缓变信号数据子集分别执行步骤101-104，分别确定缓变信号的状态。
可选地，其中，所述确定正常特征矩阵，包括：
根据预设的第一移动窗宽和第一时移步数，将所述正常信号数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；
其中，所述确定异常特征矩阵，包括：
根据预设的第二移动窗宽和第二时移步数，将所述异常信号数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。
可选地，步骤101中，所述确定待检测特征数据，包括：
根据预设的第三移动窗宽和第三时移步数，将所采集的缓变信号数据进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵。
可选地，其中，所述根据所采集的缓变信号，确定所对应的工作状况是否多于一种，包括：
根据预设的跳变阈值，从所采集的缓变信号中寻找相邻两个数据点之间的变化值的绝对值是否大于所述跳变阈值的数据序号位置，记录该位置为数据信号跳变点；
如果所采集的缓变信号数据中不存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况只包括一种；
如果所采集的缓变信号数据中存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况包括多于一种；其中，所述将所采集的缓变信号分割为对应的多于一个的缓变信号子集，包括：将所采集的缓变信号根据跳变点的位置进行数据分割，得到多于一个的缓变信号子集。
可选地，其中，所述根据所述正常状况学习误差和所述异常状况学习误差，确定缓变信号的状态，包括：
计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。
实施例二
本发明提供一种缓变信号检测方法，其流程如图2所示，
本发明实施例以检测发动机的氧涡轮入口压力信号为例，所述发动机的氧涡轮入口压力信号为一种缓变信号。其中，采集该信号的方法根据本领域相关技术方案实现，不限于具体方案。
步骤201：采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
步骤202：将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
步骤203：根据所述待测设备的工作状况，进行长短期记忆神经网络的初始化和训练；
步骤204：将所采集的缓变信号进行分窗时移处理后，输入训练好的所述长短期记忆神经网络模型，确定所述缓变信号的状态。
可选地，步骤201中，所述确定待检测特征数据，包括：
根据预设的第三移动窗宽和第三时移步数，将所采集的缓变信号数据进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵作为待检测特征数据。
可选地，所述步骤202中所述的概率神经网络模型通过如下步骤进行预先训练：
步骤2021，预先采集发动机的氧涡轮入口压力信号作为原始数据，其中，包括了该发动机在多种不同工作状况下产生的对应的氧涡轮入口压力信号。其中，不同工作状况至少包括：高效工作状况、中等效率工作状况、低效工作状况等；其中，工作状况简称工况，对应分别记为高工况、中工况、低工况；不同工作状况的确定根据相关数据确定，本实施例中不具体限定对应的确定标准。
步骤2022，从原始数据中提取不同工作状况数据，至少包括：高、中、低工况正常信号数据，高、中、低工况异常信号数据。可选地，每一个工作状况的正常信号数据集和异常信号数据集取相同的样本量。
步骤2023，对这些不同工况下的正常、异常数据分别进行分段时移算法，根据移动窗宽和时移步数，得到不同工况对应的分窗时移矩阵。
步骤2024，将得到的分窗时移矩阵执行云特征提取算法，得到特征矩阵；其中特征矩阵由数据的平均值，歪度，均方根特征值组成。
步骤2025，将各个工况下的正常，异常特征矩阵，以及相对应的标签(该标签标识对应的工况)作为概率神经网络训练算法的输入，训练其进行工况的识别，训练后确定相应的训练模型参数，得到训练好的概率神经网络模型。
例如，上述原始数据至少包括高工况、中工况、低工况数据时，则对应得到高工况正常特征矩阵、高工况异常特征矩阵、中工况正常特征矩阵、中工况异常特征矩阵、低工况正常特征矩阵和低工况异常特征矩阵。将这6个特征矩阵以及对应的标签向量输入概率神经网络模型，训练该概率神经网络模型进行工况的识别，训练后确定相应的训练模型参数，得到训练好的概率神经网络模型。
可选地，工作状况还可以划分为：一级、二级、三级；或其他。具体不限于本实施例示例。对应地，根据工作状况的不同，对应确定正常、异常特征矩阵，将所述对应的特征矩阵以及对应的标签向量输入概率神经网络模型，进行工况识别训练，确定相应的训练模型参数，得到训练好的概率神经网络模型。
可选地，步骤202中，所述确定所述待测设备的工作状况，包括：
将待测特征数据输入上述训练好的概率神经网络模型，根据所确定的训练模型参数，确定待测设备的工作状况，对应结果为高工况、中工况或低工况。可选地，或对应结果为：一级工况、二级工况、三级工况；或其他。
可选地，步骤203中，所述根据所述待测设备的工作状况，进行长短期记忆神经网络模型的初始化和训练，包括：
根据工作状况确定的结果，分别初始化并训练基于某工况下正常数据，异常数据的长短时记忆神经网络模型，包括：在某工况下的正常样本数据与异常样本数据作为长短时记忆神经网络训练算法的输入，进行长短时记忆神经网络训练模型，确定相应的训练模型参数。
例如，工作状况确定的结果为高工况，则将高工况下的正常样本数据输入长短时记忆神经网络模型，进行训练，确定长短时记忆神经网络模型的正常训练模型参数；并将高工况下的异常样本数据输入长短时记忆神经网络模型，进行训练，确定长短时记忆神经网络模型的异常训练模型参数。
进一步地，步骤204中，所述将所确定的待检测特征数据输入训练好的所述长短期记忆神经网络模型，确定所述缓变信号的状态，包括：
将步骤201所确定待检测数据输入上述训练好的长短期记忆神经网络模型，根据所述正常训练模型参数，确定正常状况学习误差；根据所述异常训练模型参数，确定异常状况学习误差；根据所得到的正常状况学习误差和异常状况学习误差进行误差比较，得出最终信号的检测结果。
可选地，步骤201中，所述根据所采集的缓变信号，确定待检测特征数据，包括：
根据所采集的缓变信号，判断所采集的缓变信号对应的工作状况是否多于一种，
当多于一种工作状况时，例如对应3种工作状况，将所采集的缓变信号分割为3个缓变信号子集，子集1，子集2，子集3；根据各缓变信号数据子集分别确定对应的待检测特征数据，即针对缓变信号子集1得到特征矩阵1，缓变信号子集2得到特征矩阵2，缓变信号子集3得到特征矩阵3，进一步地，针对每一个缓变信号子集对应的待检测特征数据，分别执行后续步骤202，203，以及根据每个缓变信号子集执行步骤204。最终确定每一个缓变信号子集对应缓变信号的状态。
例如，对应3种工作状况，包括：高工况、中工况、高工况；或者，包括：中工况、低工况和高工况。对应2种工作状况，包括：高工况、低工况；或者，包括：低工况、中工况。
当只有一种工作状况时，则不划分缓变信号子集，所采集的缓变信号作为一个集合确定对应的待检测特征数据。
可选地，步骤201，204和步骤2023中涉及的分窗时移算法，可以包括：
首先，输入信号数据，以及设定的窗体长度win(即移动窗宽)，帧移inc(即时移步数)。根据设定的窗体长度，信号的长度，以及帧移计算窗体在数据上的时移次数，计算公式如下：其中，nf为时移次数，nx为数据长度，fix()为就近取整函数。
下一步，生成一个行为nf，列为win的全零矩阵，将每次窗体截取的数据，顺次存入到全零矩阵中，直到达到窗体移动的最后次数后停止。
由此，可以得到分窗时移矩阵。其中，不同的步骤对应的移动窗宽和时移步数各自设定，可以相同或不同。
可选地，步骤201和步骤2023中涉及的云特征提取算法，可以包括：
输入分窗时移算法处理后的数据(即分窗时移矩阵)，分别计算其矩阵中每一行的平均值，歪度，均方根，并将其组成为特征矩阵。
其中，每一行的平均值的公式为：/>(x1,……,xN为输入矩阵中每一行数据中的N个数据元素，N为大于1的整数)
歪度α计算公式为：
均方根xrms计算公式为：
可选地，所述根据所采集的缓变信号，判断所采集的缓变信号对应的工作状况是否多于一种，包括：
首先，输入所采集的缓变信号，设定预设的相邻信号数据点的跳变阈值，寻找相邻两个数据点之间的变化值的绝对值是否大于跳变阈值的数据序号位置，该位置为数据信号跳变点。若不存在这样的数据信号跳变点，则所采集的缓变信号对应为单一工况。若存在这样的数据信号跳变点，则所采集的缓变信号对应为多工况，包括多于一个的工作状况。
可选地，步骤202中涉及的概率神经网络模型结构如下：
所述概率神经网络模型结构如图4所示。概率神经网络包括四层，分别为：输入层，样本层，求和层，竞争层。
其中，各层的作用分别为：输入层：接受输入数据样本层：数据的收集整理求和层：判断数据的类别竞争层：类别判断的结果数据输出
其中，对所述概率神经网络模型进行训练，包括：
首先，生成概率神经网络模型的训练模型参数，输入特征数据作为训练网络模型参数的训练数据。其中，采用公式：
计算训练数据的属性概率参数wtrain作为概率网络模型的训练模型参数。
其中traindata作为训练特征数据，它是大小为M*N的矩阵，M为训练样本数目，N为特征属性个数。I是大小为M*1的单位矩阵。wtrain为概率神经网络模型训练生成的N*M概率矩阵。其中wtrain中的每个值代表的是每个训练样本中的每个属性的概率值。
下一步，生成相对于训练特征数据的训练标签：生成训练标签矩阵B，其中B是大小为M*C的矩阵，其中M是样本数目，C为训练标签类别数目。标记训练标签矩阵中每个训练样本序号所对应的标签类别，且将其值标记为1。
可选地，其中，步骤202利用预先训练好的概率神经网络模型确定工作状况的概率神经网络测试算法，包括：
首先，输入待测试特征数据于输入层中，计算待测试数据testdata的各属性概率值。
其中，采用公式计算待测试数据的属性概率参数wtest其中testdata作为待测试特征数据，它是大小为P*N的矩阵，P为待测试数据样本数目，N为特征属性个数。I是大小为P*1的单位矩阵。wtest为概率神经网络模型测试生成的N*P概率矩阵，它中的每个值代表的是每个输入样本中的每个属性的概率值。
下一步，将已训练好并生成的训练模型参数wtrain与输入测试数据生成的属性概率wtest相乘得到样本层数据属性的联合概率，包括：
采用公式wnew＝(wtrain)T*wtest，在样本层中生成联合概率，
其中wnew是大小为M*P的矩阵，其表示为训练样本各参数概率与输入各属性样本概率的联合概率。
下一步，将从样本层输出的联合概率输入到求和层，在求和层中计算从样本层接收的输入数据属性权重的求和概率，以此得到判断为各种类别的概率值。
根据生成的训练标签矩阵B生成d矩阵，采用公式d＝BMj*I1(j＝1,2,3,4…,n)其中BMj为第j类的训练标签矩阵，大小为M*1的矩阵。I1是大小为1*P 1*P的单位矩阵，n为大于1的整数，表示训练标签矩阵的类别数，例如有高、中、低工况，各自对应正常特征矩阵，异常特征矩阵，则n为6。
采用公式计算各类样本的求和概率，其中cp表示各类样本的求和概率。σ为平滑参数，取值一般为0-1。D是大小为M*P的单位矩阵，它代表每类别联合概率所对应的类别标签标记矩阵。
下一步，根据各种工况类别的求和概率值，比较他们的求和概率值并找出它们中的最大值，其最大值所对应的工况种类为最终该测试数据所被判别得到的分类结果。即，根据上述概率神经网络测试算法，确定所采集的缓变信号对应的待检测特征数据所对应的工作状况。
可选地，步骤203中，采用长短时记忆神经网络(LSTM)训练算法进行长短期记忆神经网络模型的初始化和训练，包括：
根据所述待测设备的工作状况，利用对应工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定正常训练模型参数；利用对应工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定异常训练模型参数；
其中，所述利用对应工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定正常训练模型参数，包括：
输入经过分窗时移的训练数据以及期望目标向量，初始化LSTM神经网络的参数，如输入，遗忘，更新，输出门的权重参数(wi、wf、wc、wo)，以及其的偏置参数(bi，bf，bc，bo)，连接权重参数V，经过前向传播算法得到学习误差向量，根据其结果进行反向传播算法迭代更新LSTM神经网络参数，并进行优化，直到更新轮数结束，得到LSTM神经网络更新参数。前向传播计算如图5所示。
其中，经过分窗时移的训练数据是指对应工作状况下的正常样本数据进行分窗时移处理之后的数据；期望的目标向量是指期望的正常样本向量。
其中，前向传播算法说明及公式如下：
首先，根据初始化的输入，遗忘，更新，输出门的权重参数(wi、wf、wc、wo)，以及其的偏置参数(bi，bf，bc，bo)，计算输入，遗忘，更新，输出各个门的输出(it、ft、Ct、ot)，进而得到当前状态输出ht。下一步，在根据初始化的连接权重参数V，计算得到当前LSTM神经元输出St。下一步，通过softmax函数计算得到预测结果下一步，根据真实结果tT以及损失函数计算得到误差ET。
it＝σ(wi*(xt+ht-1+Ct-1)+bi)
ft＝σ(wf*(xt+ht-1+Ct-1)+bf)
ot＝σ(wo*(xt+ht-1+Ct-1)+bo)
ht＝ot.*tanh(Ct)
St＝V*ht
其中，σ为sigmoid函数，公式为：其中，该运算符号.*为点乘运算，/>为更新门当前输出的更新值，Ct-1为上一个更新门输出,i为神经元序号。tT为期望向量。
其中，反向传播算法说明及公式如下：
首先，为了得到输入，遗忘，更新，输出门的权重参数变化更新值，根据前向传播算法得到的误差ET计算得到误差ET对于hT的偏导
其中，τ为矩阵转置运算符号，σ′为sigmoid函数的导函数，tanh′为tanh函数的导函数，diag为对角矩阵运算，arg为偏导函数中的变量。
下一步，分别计算输出门，遗忘门，输入门，更新门更新下一时刻(ot+1，ft+1，it+1，Ct+1)的输出对于当前状态ht的偏导以此计算下一时刻状态ht+1对于当前状态ht的偏导/>从而得到误差ET对于当前状态ht以及当前输出门的偏导其中，/>分别为以上二者的公式化简。
/>
下一步，计算输出门输出对于更新门输出的偏导以及状态输出对于更新门的偏导/>
下一步，分别计算更新门输出对于输入，遗忘，更新门更新的输出的偏导以及误差对于更新输出的偏导/>
下一步，分别计算输入门，遗忘门，更新门更新，输出门输出对于其相对应的权重参数(wi、wf、wc、wo)的偏导
其中，ep，eq均为单位向量。
下一步，化简偏导公式分别为/>
/>
下一步，分别计算得到误差对于输入门，遗忘门，更新门，输出门相对应的权重参数的偏导分别计算输入门，遗忘门，更新门，输出门输出对于其相对应的偏置的偏导/>由此分别得到其相应的梯度更新。
其中，unitn为n维的单位向量
下一步，分别计算出误差对于输入门，遗忘门，更新门，输出门相对应的偏置参数的偏导由此分别得到其相应的梯度更新。
/>
其中，参数优化算法：采用的是Momentum算法，包括：
首先，计算各个权重参数当前的梯度更新值gt。下一步，初始化当前的期望平方梯度E[g2]t，并进行迭代更新。下一步，迭代更新各个权重参数w。
E[g2]t＝eta*E[g2]t-1+α*gt
w＝w-E[g2]t
其中，gt为当前权重参数梯度更新，E[g2]t为当前的期望平方梯度，w泛指为权重参数(wi、wf、wc、wo)，eta为动量因子，α为学习率。
所确定的w即为该工况对应的正常训练模型参数，w为权重参数(wi、wf、wc、wo)。
其中，所述利用对应工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定异常训练模型参数的过程与上述确定正常训练模型参数的过程相似，只是输入和结果不同，如下：
输入经过分窗时移的训练数据和期望的目标向量不同。其中，经过分窗时移的训练数据是指对应工作状况下的异常样本数据进行分窗时移处理之后的数据；期望的目标向量是指期望的异常样本向量。
最终所确定的w即为该工况对应的异常训练模型参数。
可选地，步骤204中，将所采集的缓变信号进行分窗时移处理后，输入训练好的所述长短期记忆神经网络模型，确定所述缓变信号的状态，即为执行长短时记忆神经网络测试算法，确定所述缓变信号的状态，包括：
将所采集的缓变信号进行分窗时移处理后，输入上述初始化和训练完成的长短期记忆神经网络模型，通过前向传播算法计算缓变信号与正常样本期望向量的误差，记为正常状况学习误差；通过前向传播算法计算缓变信号与异常样本期望向量的误差，记为异常状况学习误差。
通过异常判别算法确定所述缓变信号的状态，包括：
计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。
可选地，利用决策矩阵法验证其信号检测结果的准确度。
实施例二中相关实验数据如下：
在以下实验1中的训练集数据用于进行概率神经网络的训练；测试集数据用于验证利用训练好的神经网络确定工作状况是否准确。这些实验数据中的训练集对应于上述步骤2022-2025中的原始数据，用于对概率神经网络进行训练。这些实验数据中的测试集，用于检验训练的结果，来说明通过相关训练后，待测试数据输入所述训练好的概率神经网络后所确定的工作状况能达到一定的准确性。
实验1：
在本实验中，数据集选用氧气涡轮入口压力在低，中，高工况时时所采集的信号数据，直接将采集到的数据集合按照样本数量2:1的比例将其划分为训练集与测试集，即各工况采集信号样本数量分别在训练集与测试集中均等。
在本实验中，平滑参数σ取值为0.00684。窗宽win取值为50，帧移取值为8。在低工况时，采集到训练样本数量为60，测试样本数量为30。
表1信号工况判别结果
整体工况判别准确率为:95.56％。
在以下实验2、3中的训练集数据用于进行长短期记忆神经网络的训练；测试集用于验证利用训练好的长短期记忆神经网络确定待检测数据是否异常。这些实验数据中的训练集对应于上述步骤203中的样本数据，用于对长短期记忆神经网络进行训练。这些实验数据中的测试集，用于检验训练的结果，来说明通过相关训练后，待测试数据输入所述训练好的长短期记忆神经网络后所确定的缓变信号正常或异常的结果能达到一定的准确性。
实验2：
在本实验中，数据集选用氧气涡轮入口压力在低，中，高工况时时所采集的正常，异常信号数据，直接将采集到的数据集合按照样本数量2:1的比例将其划分为训练集与测试集，即正常，异常信号样本数量分别在训练集与测试集中均等。
在低工况时，采集到训练样本数量为100，测试样本数量为50。
在本实验中，平滑参数σ取值为0.00684。窗宽win取值为50，帧移取值为8，学习率α取值0.01，动量因子eta取值0.05。
表2低工况下氧涡轮入口压力信号检测结果
整体检测准确率为：96％。
在中工况时，采集到训练样本数量为200，测试样本数量为100。
表3中工况下氧涡轮入口压力信号检测结果
整体检测准确率为:93％。
在高工况时，采集到训练样本数量为120，测试样本数量为60。
表4高工况下氧涡轮入口压力信号检测结果
整体检测准确率为:85％。
实验3：
在本实验中，数据集选用氧气涡轮入口压力在中-高，中-低，高-低三种混合工况时所采集的正常，异常跳变信号数据。各混合工况下所采用的正常，异常信号样本数量分别均等。其中，在中-高混合工况下采集到的正常、异常跳变信号数据样本量为50，在中-低混合工况下采集到的正常、异常跳变信号数据样本量为70，在高-低混合工况下采集到的正常、异常跳变信号数据样本量为30。检测结果如下表：
表5混合工况下氧涡轮入口压力信号检测结果
中-高混合工况综合检测准确率为:91％；
中-低混合工况综合检测准确率为:93.93％；
高-低混合工况综合检测准确率为:88.33％。
实施例三
本发明提供一种缓变信号检测装置60，其结构如图6，包括：
信号采集模块601，设置为采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
工作状况确定模块602，设置为将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
长短期记忆神经网络模型确定模块603，设置为根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
信号状态确定模块604，设置为将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。
可选地，所述长短期记忆神经网络模型确定模块603根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，利用该工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用该工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数；
可选地，所述长短期记忆神经网络模型确定模块603根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，从预先已完成初始化和训练的至少一个长短期记忆神经网络模型中选择该工作状况的长短期记忆神经网络模型，
其中，所述至少一个预先已完成初始化和训练的长短期记忆神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的长短期记忆神经网络模型：
利用当前工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用当前工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数。
可选地，所述信号状态确定模块604，设置为将分窗时移处理后的数据输入所确定的长短期记忆神经网络模型，根据所确定的长短期记忆神经网络模型的正常训练模型参数，确定正常状况学习误差；根据所确定的长短期记忆神经网络模型的异常训练模型参数，确定异常状况学习误差；
根据所述正常状况学习误差和所述异常状况学习误差，确定所述缓变信号的状态。
可选地，所述装置还包括概率神经网络模型训练模块605，设置为预先收集所述待测设备在不同工作状况下产生的对应的缓变信号；
从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；
对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；
将不同工作状况下的正常特征矩阵和对应的工作状况标签，以及不同工作状况下的异常特征矩阵和对应的工作状况标签，输入所述概率神经网络模型进行训练，确定所述概率神经网络模型的训练模型参数。
可选地，所述信号采集模块601，还设置为根据所采集的缓变信号，确定所对应的工作状况是否多于一种；
当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集，根据各缓变信号数据子集分别确定对应的待检测特征数据；
当只有一种工作状况时，根据所采集的缓变信号确定对应的待检测特征数据。
可选地，其中，所述确定正常特征矩阵，包括：
根据预设的第一移动窗宽和第一时移步数，将所述正常信号数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；
其中，所述确定异常特征矩阵，包括：
根据预设的第二移动窗宽和第二时移步数，将所述异常信号数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。
可选地，其中，所述确定待检测特征数据，包括：
根据预设的第三移动窗宽和第三时移步数，将所采集的缓变信号数据进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵。
可选地，所述信号采集模块601，还设置为：
根据预设的跳变阈值，从所采集的缓变信号中寻找相邻两个数据点之间的变化值的绝对值是否大于所述跳变阈值的数据序号位置，记录该位置为数据信号跳变点；
如果所采集的缓变信号数据中不存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况只包括一种；
如果所采集的缓变信号数据中存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况包括多于一种；其中，所述将所采集的缓变信号分割为对应的多于一个的缓变信号子集，包括：将所采集的缓变信号根据跳变点的位置进行数据分割，得到多于一个的缓变信号子集。
可选地，所述信号状态确定模块604，还设置为所述根据所述正常状况学习误差和所述异常状况学习误差，确定缓变信号的状态，包括：
计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。
本发明提供一种基于深度学习的缓变信号检测方法，相比现阶段用于过程性缓变信号检测方法，该方法对于缓变信号中的异常信号，大大提高了检测准确率，有效避免陷入局部最优，具有较强的推断能力，并且可以避免检测精度和模型鲁棒性降低的问题。
本领域普通技术人员可以理解上述实施例的全部或部分步骤可以使用计算机程序流程来实现，所述计算机程序可以存储于一计算机可读存储介质中，所述计算机程序在相应的硬件平台上(如系统、设备、装置、器件等)执行，在执行时，包括方法实施例的步骤之一或其组合。
可选地，上述实施例的全部或部分步骤也可以使用集成电路来实现，这些步骤可以被分别制作成一个个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
上述实施例中的各装置/功能模块/功能单元可以采用通用的计算装置来实现，它们可以集中在单个的计算装置上，也可以分布在多个计算装置所组成的网络上。
上述实施例中的各装置/功能模块/功能单元以软件功能模块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。上述提到的计算机可读取存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求所述的保护范围为准。

Claims (8)

1.一种缓变信号检测方法，其特征在于，包括：
采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态；
其中，所述将所采集的缓变信号进行分窗时移处理后，输入所确定的所述长短期记忆神经网络模型，确定所述缓变信号的状态，包括：
将分窗时移处理后的数据输入所确定的长短期记忆神经网络模型，根据所确定的长短期记忆神经网络模型的正常训练模型参数，确定正常状况学习误差；根据所确定的长短期记忆神经网络模型的异常训练模型参数，确定异常状况学习误差；
计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。
2.根据权利要求1所述的方法，其特征在于：
其中，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，利用该工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用该工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数；
或者，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：
根据所述待测设备的工作状况，从预先已完成初始化和训练的至少一个长短期记忆神经网络模型中选择该工作状况的长短期记忆神经网络模型，
其中，所述至少一个预先已完成初始化和训练的长短期记忆神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的长短期记忆神经网络模型：
利用当前工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用当前工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数。
3.根据权利要求1所述的方法，其特征在于，
其中，所述概率神经网络模型预先根据以下方法训练得到：
预先收集所述待测设备在不同工作状况下产生的对应的缓变信号；
从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；
对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；
将不同工作状况下的正常特征矩阵和对应的工作状况标签，以及不同工作状况下的异常特征矩阵和对应的工作状况标签，输入所述概率神经网络模型进行训练，确定所述概率神经网络模型的训练模型参数。
4.根据权利要求1所述的方法，其特征在于，
其中，所述根据所采集的缓变信号，确定待检测特征数据，包括：
根据所采集的缓变信号，确定所对应的工作状况是否多于一种；
当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集，根据各缓变信号数据子集分别确定对应的待检测特征数据；
当只有一种工作状况时，根据所采集的缓变信号确定对应的待检测特征数据。
5.根据权利要求3所述的方法，其特征在于，
其中，所述确定正常特征矩阵，包括：
根据预设的第一移动窗宽和第一时移步数，将所述正常样本数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；
其中，所述确定异常特征矩阵，包括：
根据预设的第二移动窗宽和第二时移步数，将所述异常样本数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。
6.根据权利要求1或4所述的方法，其特征在于，
其中，所述确定待检测特征数据，包括：
根据预设的第三移动窗宽和第三时移步数，将所采集的缓变信号进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵。
7.根据权利要求4所述的方法，其特征在于，
其中，所述根据所采集的缓变信号，确定所对应的工作状况是否多于一种，包括：
根据预设的跳变阈值，从所采集的缓变信号中寻找相邻两个数据点之间的变化值的绝对值是否大于所述跳变阈值的数据序号位置，记录该位置为数据信号跳变点；
如果所采集的缓变信号中不存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况只包括一种；
如果所采集的缓变信号中存在这样的数据信号跳变点，则确定所采集的缓变信号所对应的工作状况包括多于一种；其中，所述将所采集的缓变信号分割为对应的多于一个的缓变信号子集，包括：将所采集的缓变信号根据跳变点的位置进行数据分割，得到多于一个的缓变信号子集。
8.一种缓变信号检测装置，其特征在于，包括：
信号采集模块，设置为采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；
工作状况确定模块，设置为将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；
长短期记忆神经网络模型确定模块，设置为根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；
信号状态确定模块，设置为将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态。
CN201911376411.XA 2019-12-27 2019-12-27 一种缓变信号检测方法和装置 Active CN111079348B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911376411.XA CN111079348B (zh) 2019-12-27 2019-12-27 一种缓变信号检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911376411.XA CN111079348B (zh) 2019-12-27 2019-12-27 一种缓变信号检测方法和装置

Publications (2)

Publication Number Publication Date
CN111079348A CN111079348A (zh) 2020-04-28
CN111079348B true CN111079348B (zh) 2023-09-22

Family

ID=70318526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911376411.XA Active CN111079348B (zh) 2019-12-27 2019-12-27 一种缓变信号检测方法和装置

Country Status (1)

Country Link
CN (1) CN111079348B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485102A (zh) * 2021-06-22 2021-10-08 西安法士特汽车传动有限公司 一种基于长短期记忆神经网络识别车辆行驶工况的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514209A (zh) * 2003-08-01 2004-07-21 重庆大学 旋转机械故障智能诊断方法与装置
CN101762285A (zh) * 2009-11-27 2010-06-30 罗钟洙 一种缓变信号检测装置及其信号特性的判定方法
CN103886405A (zh) * 2014-02-20 2014-06-25 东南大学 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN109657789A (zh) * 2018-12-06 2019-04-19 重庆大学 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN110110740A (zh) * 2019-03-26 2019-08-09 中国地质大学（武汉） 基于多时间尺度特征和神经网络的钻进过程工况识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8610611B2 (en) * 2011-01-31 2013-12-17 Qualcomm Incorporated Analog-to-digital converter for biomedical signals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514209A (zh) * 2003-08-01 2004-07-21 重庆大学 旋转机械故障智能诊断方法与装置
CN101762285A (zh) * 2009-11-27 2010-06-30 罗钟洙 一种缓变信号检测装置及其信号特性的判定方法
CN103886405A (zh) * 2014-02-20 2014-06-25 东南大学 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN109657789A (zh) * 2018-12-06 2019-04-19 重庆大学 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN110110740A (zh) * 2019-03-26 2019-08-09 中国地质大学（武汉） 基于多时间尺度特征和神经网络的钻进过程工况识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波模极大值模糊熵的遥测振动信号异常检测;刘学;梁红;玄志武;;振动与冲击(第09期);第147-152页 *

Also Published As

Publication number Publication date
CN111079348A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
JP6740247B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
US11314242B2 (en) Methods and systems for fault detection and identification
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
US8650137B2 (en) Method and apparatus for creating state estimation models in machine condition monitoring
CN107725283A (zh) 一种基于深度信念网络模型的风机故障检测方法
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
US10578667B2 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN114266278B (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN107832789B (zh) 基于平均影响值数据变换的特征加权k近邻故障诊断方法
CN112116002A (zh) 一种检测模型的确定方法、验证方法和装置
CN111914897A (zh) 一种基于孪生长短时间记忆网络的故障诊断方法
CN112232370A (zh) 发动机的故障分析预测方法
CN114091600B (zh) 一种数据驱动的卫星关联故障传播路径辨识方法及系统
CN111079348B (zh) 一种缓变信号检测方法和装置
CN112861443B (zh) 一种融入先验知识的深度学习故障诊断方法
US20210365771A1 (en) Out-of-distribution (ood) detection by perturbation
CN117058451A (zh) 基于二维卷积神经网络的结构加速度数据异常检测方法
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
CN111160454B (zh) 一种速变信号检测方法和装置
CN114565051A (zh) 基于神经元影响程度的产品分类模型的测试方法
CN114818116A (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法
Bilski Data set preprocessing methods for the artificial intelligence-based diagnostic module

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