CN111122160B - 一种基于堆栈降噪自编码器的异常信号检测方法 - Google Patents
一种基于堆栈降噪自编码器的异常信号检测方法 Download PDFInfo
- Publication number
- CN111122160B CN111122160B CN201910911490.3A CN201910911490A CN111122160B CN 111122160 B CN111122160 B CN 111122160B CN 201910911490 A CN201910911490 A CN 201910911490A CN 111122160 B CN111122160 B CN 111122160B
- Authority
- CN
- China
- Prior art keywords
- encoder
- abnormal signal
- noise reduction
- spectrum characteristics
- signals
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
一种基于堆栈降噪自编码器的异常信号检测方法,首先,对采集的振动信号进行截断,截取固定长度的信号进行异常信号检测;其次,对截取的振动信号采用信号处理的方法进行预处理提取有效的特征,这里采用小波包分解提取振动信号的能量谱特征和傅立叶变换提取信号的频谱特征;然后,将能量谱特征和频谱特征输入到两级级联的深度网络进行异常信号检测;最后,输出检测结果。本发明方法诊断准确率高,时效性好,且在轴承等振动信号的异常信号检测方面具有较高的准确性和实用性。
Description
技术领域
本发明属于信号检测与分析领域,具体涉及一种基于堆栈降噪自编码器的异常信号检测方法。
背景技术
近年来,随着计算机技术以及人工智能的高速发展,智能化的信号检测分与析成为了当下及未来的必然趋势。现实场景下,对一些关键的机械设备如电机、轴承等进行检测具有重要的意义。滚动轴承被广泛应用于齿轮箱等各种生产、生活的旋转机械设备中。由于其长期处于高速运转的状态以及外在因素的影响,滚动轴承是旋转机械中最易损坏的元件之一。据文献记载,旋转机械中滚动轴承轴承造成的故障率高达70%。由于生产因素以及不同运行工况的影响,滚动轴承的使用寿命可能会有很大差异。生产、生活中,频繁的替换机械设备中的滚动轴承会造成浪费,未及时替换可能会造成严重的后果。滚动轴承一旦发生故障,如果不能及时发现,不仅会对机械设备造成严重的损伤,给工业生产和生活带来影响,而且可能会造成严重的安全事故等问题。
发明内容
为了克服目前异常信号检测技术的不足,本发明提供了一种基于堆栈降噪自编码器(Stacked Denoising Autoencoder,SDAE)的异常信号检测方法。采用一种基于堆栈降噪自编码器的两级级联深度网络,它是一种以堆栈降噪自编码器为基础,通过构建一个特征选择模型对多域特征进行有效的特征提取与挖掘,实现对振动信号的异常信号检测。
一种基于堆栈降噪自编码器的异常信号检测方法,包括如下步骤:
步骤1:将数据集划分为训练集和验证集;
步骤2:对训练集和验证集中的振动信号进行截断,截取固定长度的信号进行异常信号检测,假设振动信号的采样频率为12KHz,截取0.1s时长的振动信号进行分析;
步骤3:对截取的振动信号进行小波包分解提取能量谱特征和快速傅立叶变换FFT(Fast Fourier Transformation)操作提取频谱特征;
步骤4:将步骤3中提取的能量谱特征和FFT特征作为两级级联深度网络上、下分支的输入,分别输入各自的堆栈降噪自编码器模块;堆栈降噪自编码器模块首先进行无监督的训练,得到多个降噪自编码器,然后堆叠形成堆栈降噪自编码器;
步骤5:构建整个两级级联深度网络结构,然后对整个网络进行有监督的微调,观察训练数据集准确率、损失函数的趋势;每次所有的训练数据迭代一次后,用验证集对当前训练的网络模型进行验证,同时观察验证集的准确率走势;
步骤6:当训练集的损失函数值不再下降,同时验证集上的准确率不再上升且训练集和验证集准确率相差较小时,得到最终的两级级联深度网络的异常信号检测模型;
步骤7:对待检测的诊断信号,用步骤6的异常信号检测模型对采集的待测试振动信号数据进行异常信号检测。
进一步地,步骤1中的在数据资源充足的情况下,选择6:4;在数据不足的情况下选择8:2或9:1,具体根据实际需求进行划分。
进一步地,步骤2中在对信号进行截取时根据实际的采用频率进行合理的截取,采用频率为12KHz,截取0.1s时长的信号,即1200个样本点;50KHz截取0.05s时长的振动信号,即2500个样本点;具体根据实际需求进行截取,截取后的样本点范围为500~3000。
进一步地,步骤3中快速傅立叶变换FFT后频谱特征具有对称性,因此取一半作为两级级联深度网络的输入。
进一步地,步骤3中小波包分解中采用3层小波包分解,小波包分解的能量谱特征维度为8;小波包分解的时耗与分解层数成正比,在精度允许的范围内,3层小波包分解相对最优。
进一步地,步骤4中,两级级联深度网络的整体网络结构总共分为两级,第一级包括上、下两个分支,在第一级的上分支,首先,通过堆栈降噪自编码器(SDAE)将能量谱特征映射到合适的特征空间;然后,在SDAE后构建了一个特征选择模块,即在SDAE后接了两层全连接层和一层Sigmoid层(Sigmoid函数是神经元的非线性作用函数),将Sigmoid的输出和SDAE提取的特征进行相乘;在第一级的下分支,首先,通过SDAE将振动信号提取的FFT特征映射到合适的特征空间,然后,采用和上分支相同的特征选择模块挖掘出关键特征;最后,将上、下分支的特征进行融合;在第二级时,通过多层全连接层和softmax层(卷积神经网络CNN中的层次)得到对应每一类输出的概率结果,概率最大的一类为最终预测结果。
与现有异常信号检测技术相比,本发明的有益效果是:(1)具有良好的异常信号检测精度;(2)具有较高的时间效率。
附图说明
图1为本发明的两级级联深度网络的异常信号检测方法整体框架图。
图2为本发明的基于堆栈降噪自编码器的两级级联深度神经网络整体结构图。
图3为本发明实施例中构建两级级联深度网络模块时可采用的网络结构参数表。
图4为本发明实施例中随机一次测试中的训练阶段的损失函数和准确率曲线图。
图5为本发明实施例中的测试结果的混淆矩阵图。
图6为本发明实施例中多种异常信号检测方法的实验结果折线图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于堆栈降噪自编码器的异常信号检测方法,包括如下步骤:
步骤1:将数据集划分为训练集和验证集。
步骤2:对训练集和验证集中的振动信号进行截断,截取固定长度的信号进行异常信号检测,假设振动信号的采样频率为12KHz,截取0.1s时长的振动信号进行分析。
步骤3:对截取的振动信号进行小波包分解提取能量谱特征和快速傅立叶变换FFT操作提取频谱特征。
步骤4:将步骤3中提取的能量谱特征和FFT特征作为两级级联深度网络上、下分支的输入,分别输入各自的堆栈降噪自编码器模块;堆栈降噪自编码器模块首先进行无监督的训练,得到多个降噪自编码器,然后堆叠形成堆栈降噪自编码器。
步骤5:构建整个两级级联深度网络结构,然后对整个网络进行有监督的微调,观察训练数据集准确率、损失函数的趋势;每次所有的训练数据迭代一次后,用验证集对当前训练的网络模型进行验证,同时观察验证集的准确率走势。
步骤6:当训练集的损失函数值不再下降,同时验证集上的准确率不再上升且训练集和验证集准确率相差较小时(精度相差过大可能发生过拟合,或网络还未完全收敛),即可得到最终的两级级联深度网络的异常信号检测模型。
步骤7:对待检测的诊断信号,用步骤6的异常信号检测模型对采集的待测试振动信号数据进行异常信号检测。
步骤1中的在数据资源充足的情况下,可选择6:4;在数据不足的情况下可选择8:2或9:1,具体应根据实际需求进行划分。
步骤2中在对信号进行截取时应根据实际的采用频率进行合理的截取,采用频率为12KHz,可以截取0.1s时长的信号,即1200个样本点;50KHz可截取0.05s时长的振动信号,即2500个样本点;具体应根据实际需求进行截取,截取后的样本点不宜过大或过小,一般范围为500~3000。
步骤3中FFT后频谱特征具有对称性,因此取一半作为两级级联深度网络的输入。
步骤3中小波包分解中采用3层小波包分解,即小波包分解的能量谱特征维度为8;小波包分解的时耗一般与分解层数成正比,在精度允许的范围内,3层小波包分解相对最优。
步骤4中,两级级联深度网络的整体网络结构总共分为两级,第一级包括上、下两个分支,在第一级的上分支:首先,通过堆栈降噪自编码器SDAE将能量谱特征映射到合适的特征空间;然后,为了减少冗余特征或无效特征带来的影响,在SDAE后构建了一个特征选择模块,即在SDAE后接了两层全连接层和一层Sigmoid层,将Sigmoid的输出和SDAE提取的特征进行相乘;通过对深度网络的训练,添加的全连接层和Sigmoid层可以自动学习到发现关键特征的能力。Sigmoid层不改变全连接层的输出维度,但将全连接层的输出缩放到(0,1)区间内。Sigmoid层输出的概率系数大小对应着SDAE提取的特征每个维度的重要性程度,即通过合理的训练,SDAE提取的特征中的关键特征将会获得较大的权重。在第一级的下分支:首先,通过SDAE将振动信号提取的FFT特征映射到合适的特征空间,然后,采用和上分支相同的特征选择模块挖掘出关键特征;最后,将上、下分支的特征进行融合;在第二级时,通过多层全连接层和softmax层得到对应每一类输出的概率结果,概率最大的一类即为最终预测结果。
步骤5中两级级联深度网络中第一级的上、下分支通过特征选择模块后在进行融合可以有效的避免冗余特征带来的影响。
步骤5中构建两级级联深度网络模块时(采样频率为12KHz)可采用如图3的网络结构参数。
为了证明基于堆栈降噪自编码器的异常信号检测方法在异常检测方面的有效性,以美国凯斯西楚大学轴承实验数据集为例进行了实验分析(该数据集是国际上用于轴承故障实验和异常信号检测的标准数据集之一)。如图4所示为随机一次实验中的训练阶段的损失函数和准确率曲线图。图4中的(a)图为练阶段训练集和验证集的损失函数值曲线,(b)图为训练阶段训练集和验证集的准确率曲线。
训练阶段,网络在构建多个降噪自编码器时采用的学习率为0.1,对网络进行整体微调时采用的学习率为0.005。图4为对整个网络进行微调时的训练曲线。结合图4中的(a)图和(b)图可以发现在7个epoch以后,网络呈现收敛状态,因此对于该次实验,最终选择了第7个epoch的模型作为最终模型。最终用此模型在测试集上的测试的准确率为99.88%。
针对图4的训练的结果,对该次实验的实验结果进行分析,并画出了测试结果的混淆矩阵图。如图5所示为测试结果的混淆矩阵图。测试数据共800条,对应图4中的左侧类别(从上往下)每类测试数据为73,75,73,79,85,98,79,88,81,69。其中79条实际标签为外圈0.007(Outer Race 0.007)故障状态,仅有一条错误预测为内圈0.007(Inner Race 0.007)故障,其余均诊断正确。数据集B测试数据共720条,对应图4中的左侧类别(从上往下)每类测试数据为121,129,116,354。其中116条实际标签为滚动体(Tb)故障状态,一条错误预测为内圈(Ib)故障,其余均诊断正确。
为了证明所提出方法的优越性,采用了多种方法进行对比。如图6所示为凯斯西楚大学轴承数据集在多种异常信号检测方法上的十次实验结果对比图。
图6中所指的多域特征是多种特征的结合,包括时域、频域以及时频域特征。其中时域特征包括均值、标准差等,频域特征为FFT特征,时频域特征为小波包分解提取的能量谱特征。其中多域特征结合SVM的方法中,多域特征在采用SVM方法前做了L2归一化的数据预处理方法(在实验中发现直接采用多域特征结合SVM的方法在数据集上均表现了较差的结果,主要原因是多域特征的参数为不同量纲以及多域特征直接结合导致特征的维度较高)。
图6中,多域特征结合贝叶斯的方法在美国凯斯西楚大学轴承数据集上的结果相对其他几种方法表现最差,且稳定性也较差。所提出的异常信号检测方法在准确率上明显优于另外的几种异常信号检测方法。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:包括如下步骤:
步骤1:将数据集划分为训练集和验证集;
步骤2:对训练集和验证集中的振动信号进行截断,截取固定长度的信号进行异常信号检测,假设振动信号的采样频率为12KHz,截取0.1s时长的振动信号进行分析;
步骤3:对截取的振动信号进行小波包分解提取能量谱特征和快速傅立叶变换FFT操作提取频谱特征;
步骤4:将步骤3中提取的能量谱特征和频谱特征作为两级级联深度网络上、下分支的输入,分别输入各自的堆栈降噪自编码器模块;堆栈降噪自编码器模块首先进行无监督的训练,得到多个降噪自编码器,然后堆叠形成堆栈降噪自编码器;
步骤5:构建整个两级级联深度网络结构,然后对整个网络进行有监督的微调,观察训练集准确率、损失函数的趋势;每次所有的训练数据迭代一次后,用验证集对当前训练的网络模型进行验证,同时观察验证集的准确率走势;
步骤6:当训练集的损失函数值不再下降,同时验证集的准确率不再上升且训练集和验证集准确率相差较小时,得到最终的两级级联深度网络的异常信号检测模型;
步骤7:用步骤6的异常信号检测模型对采集的待测试振动信号数据进行异常信号检测。
2.根据权利要求1所述的一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:步骤1中的在数据资源充足的情况下,选择6:4;在数据不足的情况下选择8:2或9:1,具体根据实际需求进行划分。
3.根据权利要求1所述的一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:步骤2中在对信号进行截取时根据实际的采样 频率进行合理的截取,采样频率为12KHz,截取0.1s时长的信号,即1200个样本点;50KHz截取0.05s时长的振动信号,即2500个样本点;具体根据实际需求进行截取,截取后的样本点范围为500~3000。
4.根据权利要求1所述的一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:步骤3中频谱特征具有对称性,因此取一半作为两级级联深度网络的输入。
5.根据权利要求1所述的一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:步骤3中小波包分解中采用3层小波包分解,小波包分解的能量谱特征维度为8;小波包分解的时耗与分解层数成正比,在精度允许的范围内,3层小波包分解相对最优。
6.根据权利要求1所述的一种基于堆栈降噪自编码器的异常信号检测方法,其特征在于:步骤4中,两级级联深度网络的整体网络结构总共分为两级,第一级包括上、下两个分支,在第一级的上分支,首先,通过堆栈降噪自编码器SDAE将能量谱特征映射到合适的特征空间;然后,在SDAE后构建了一个特征选择模块,即在SDAE后接了两层全连接层和一层Sigmoid层,将Sigmoid的输出和SDAE提取的特征进行相乘;在第一级的下分支,首先,通过SDAE将振动信号提取的频谱特征映射到合适的特征空间,然后,采用和上分支相同的特征选择模块挖掘出关键特征;最后,将上、下分支的特征进行融合;在第二级时,通过多层全连接层和softmax层得到对应每一类输出的概率结果,概率最大的一类为最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911490.3A CN111122160B (zh) | 2019-09-25 | 2019-09-25 | 一种基于堆栈降噪自编码器的异常信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910911490.3A CN111122160B (zh) | 2019-09-25 | 2019-09-25 | 一种基于堆栈降噪自编码器的异常信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111122160A CN111122160A (zh) | 2020-05-08 |
CN111122160B true CN111122160B (zh) | 2022-01-04 |
Family
ID=70495353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910911490.3A Active CN111122160B (zh) | 2019-09-25 | 2019-09-25 | 一种基于堆栈降噪自编码器的异常信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111122160B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034127B (zh) * | 2018-08-31 | 2022-04-05 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
CN112434556A (zh) * | 2020-10-20 | 2021-03-02 | 深圳市悦保科技有限公司 | 宠物鼻纹识别方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 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 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110161388A (zh) * | 2019-06-10 | 2019-08-23 | 上海交通大学 | 一种高压设备的故障类型识别方法及其系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7640139B2 (en) * | 2004-10-18 | 2009-12-29 | Nsk Ltd. | Abnormality diagnosing system for mechanical equipment |
CN101833049B (zh) * | 2009-02-09 | 2014-01-15 | 富士电机株式会社 | 异常监视装置 |
-
2019
- 2019-09-25 CN CN201910911490.3A patent/CN111122160B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 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 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110161388A (zh) * | 2019-06-10 | 2019-08-23 | 上海交通大学 | 一种高压设备的故障类型识别方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111122160A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Data-driven methods for predictive maintenance of industrial equipment: A survey | |
Cai et al. | Data-driven early fault diagnostic methodology of permanent magnet synchronous motor | |
Wen et al. | Wind turbine fault diagnosis based on ReliefF-PCA and DNN | |
Yang et al. | Combined wireless network intrusion detection model based on deep learning | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Ma et al. | Power transformer fault diagnosis under measurement originated uncertainties | |
Jiang et al. | A feature fusion deep belief network method for intelligent fault diagnosis of rotating machinery | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN111122160B (zh) | 一种基于堆栈降噪自编码器的异常信号检测方法 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
Yao et al. | Improving rolling bearing fault diagnosis by DS evidence theory based fusion model | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
Yin et al. | Deep learning based feature reduction for power system transient stability assessment | |
Yang et al. | An improved deep network for intelligent diagnosis of machinery faults with similar features | |
Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
Wang et al. | Cross-domain fault diagnosis of rotating machinery in nuclear power plant based on improved domain adaptation method | |
Li et al. | Joint optimization of statistical and deep representation features for bearing fault diagnosis based on random subspace with coupled LASSO | |
Liu et al. | Improving anomaly detection fusion method of rotating machinery based on ANN and isolation forest | |
Xiao et al. | Fault diagnosis of rolling bearing based on knowledge graph with data accumulation strategy | |
Singh | Performance optimization of autoencoder neural network based model for anomaly detection in network traffic | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
Lyu et al. | A novel multiview sampling-based meta self-paced learning approach for class-imbalanced intelligent fault diagnosis | |
Wang et al. | An automatic feature extraction method and its application in fault diagnosis | |
Zhao et al. | Anomaly detection of aircraft lead‐acid battery | |
Luo et al. | Fault diagnosis based on orthogonal semi-supervised LLTSA for feature extraction and Transductive SVM for fault identification |
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 |