CN111175593A - 检测波形中的异常的方法及其系统 - Google Patents

检测波形中的异常的方法及其系统 Download PDF

Info

Publication number
CN111175593A
CN111175593A CN201910603223.XA CN201910603223A CN111175593A CN 111175593 A CN111175593 A CN 111175593A CN 201910603223 A CN201910603223 A CN 201910603223A CN 111175593 A CN111175593 A CN 111175593A
Authority
CN
China
Prior art keywords
waveform
waveforms
training
group
test
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.)
Granted
Application number
CN201910603223.XA
Other languages
English (en)
Other versions
CN111175593B (zh
Inventor
S·P·K·阿雅加里
A·K·卡拉坎迪
峰瑠斗本
真矢滋
西川武一郎
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.)
Toshiba Corp
Kioxia Corp
Original Assignee
Toshiba Corp
Toshiba Memory Corp
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 Toshiba Corp, Toshiba Memory Corp filed Critical Toshiba Corp
Publication of CN111175593A publication Critical patent/CN111175593A/zh
Application granted granted Critical
Publication of CN111175593B publication Critical patent/CN111175593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开披露了一种用于检测工业车间中的波形异常的方法和系统。在学习阶段期间，从监测工业车间中的多个设备的多个传感器接收一个或多个训练波形。使用一个或多个训练波形生成代表性波形，并且确定一个或多个训练波形相对于代表性波形的偏差。基于偏差，创建多个组。模型可以与每个组进行关联以构建期望的波形图案(参考波形图案)。实时地接收多个测试波形。基于多个测试波形的电气和物理特性，将每个测试波形分类到多个组中的一个组内。之后，将每个波形与相应测试波形所属的组的关联参考波形图案进行比较，以检测异常。

Description

检测波形中的异常的方法及其系统
技术领域
本公开一般地涉及工业车间(plant)监测，更具体地说，本公开涉及检测工业车间中的波形异常。
背景技术
在制造车间/工厂中，使用安装在工业设备上的各种传感器监测产品质量或各种工艺的进展。例如，监测电动机中的振动、电动机中的定子电流、发电机中的输出电流和电压等以进行分析，从而确定设备质量。类似地，在发电厂或发电设备的运行期间，也通过各种传感器监测所加工厂的电力、输出线的电压和电流等。传感器生成在一段时间内测量的大量的时间序列波形数据。所测量的数据包括大量正常数据(期望的波形)和少量异常数据(非期望的波形或由于设备故障而产生的波形)。准确地检测大量时间序列波形数据中的异常(不正常信号)对于提高车间/工厂的生产率非常重要。而且，这种异常检测改善了所制造产品的质量，从而提高车间/工厂/发电厂的运行可靠性。此外，可以安排及时的维护，从而减少对设备的损害。
与异常数据量相比，传感器的正常数据量极高。在传统方法中，使用仅使用正常数据的单个模型来检测波形异常。传统方法泛化了来自传感器的正常数据的模式。然而，环境条件的变化和/或制造不同设备的变化导致引入变化的处理时间以及多个处理模式/特性，这产生了多种正常数据模式。由于泛化了来自传感器的正常数据的模式，传统方法改变了正常数据的特性，导致不正确的异常检测或触发大量的假警报。此外，不能安排维护活动，从而导致对设备的损害。
在本公开部分的该背景技术中公开的信息仅用于增强对本发明的一般背景的理解，并且不应被视为承认或以任何形式暗示该信息形成本领域技术人员已知的现有技术。
发明内容
在一个实施例中，公开了一种用于检测工业车间中的波形异常的方法和系统。所述工业车间可包括使用多个传感器监测的多个设备。所述多个传感器可以测量各种信号，例如多个设备中的电压和电流。所述多个传感器基于测量而生成多个波形。所述系统从所述多个传感器接收多个波形。每个波形包括期望的信号或非期望的信号。所述多个波形包括多个训练波形和多个测试波形。所述多个训练波形被用于创建多个组并构建模型以创建多个参考波形。所述多个测试波形被用于检测所述工业车间中的异常。基于所述多个测试波形的一个或多个电气和物理特性，每个测试波形被分类到多个组中的一组内。每个组与使用一个或多个模型生成的参考波形相关联。此后，将每个测试波形与相应测试波形被分类到的组相关联的参考波形图案进行比较。基于该比较，检测每个测试波形中的异常。
在一个实施例中，为每个组生成参考波形。在学习阶段，从多个传感器接收多个训练波形。所述多个训练波形包括期望的信号和非期望的信号。此后，使用所述多个训练波形来生成代表性波形。此外，将所述多个训练波形与所述代表性波形进行比较。基于该比较，创建多个组。每个组可以与一模型相关联。所述模型可被用于生成代表期望的波形的参考波形图案。可以将所述参考波形图案与来自多个传感器的多个测试波形进行比较，以确定所述多个测试波形中的异常。
前述发明内容仅是说明性的，并不旨在以任何方式进行限制。除了以上描述的说明性方面、实施例和特征之外，通过参考附图和以下详细描述，其它方面、实施例和特征将变得显而易见。
附图说明
在所附权利要求中阐述了本公开的新颖特征和特性。然而，当结合附图阅读时，通过参考说明性实施例的以下详细描述，将最好地理解本公开本身以及优选的使用模式、其进一步的目标和优点。现在仅借助示例，参考附图描述一个或多个实施例，其中相同的参考标号表示相同的元件，并且其中：
图1示出了根据本公开的实施例的用于检测波形中的异常的工业车间的环境的框图；
图2示出了根据本公开的实施例的用于检测波形中的异常的异常检测系统的示例性框图；
图3示出了根据本公开的实施例的示例出用于生成参考波形图案以检测波形中的异常的方法步骤的示例性流程图；
图4示出了根据本公开的实施例生成代表性波形图案；
图5A示出了根据本公开的实施例的示例出具有不同振幅的训练波形的图；
图5B示出了根据本公开的实施例的用于将多个波形分类成组以检测波形中的异常的示例图；
图6A至6C示出了根据本公开的实施例为每个组生成组代表性图案以检测波形中的异常；
图7示出了根据本公开的实施例的用于开发模型以检测波形中的异常的自动编码器的示例性框图；
图8示出了根据本公开的实施例的用于示例出多个波形的异常分数以检测波形中的异常的曲线图；
图9示出了根据本公开的实施例的异常检测系统中的GUI，用于在学习阶段期间创建的组中进行校正；
图10示出了根据本公开的实施例的示例出用于检测波形中的异常的方法步骤的示例性流程图；以及
图11示出了根据本公开的实施例的用于验证异常检测结果的异常检测系统中的GUI；
本领域技术人员应该理解，这里的任何框图表示体现本主题的原理的说明性系统的概念图。类似地，应当理解，任何流程图、流程图表、状态转换图、伪代码等表示可以基本上在计算机可读介质中表示并由计算机或处理器执行的各种处理，无论这样的计算机或处理器是否被明确地被示出。
具体实施方式
在本文中，词语“示例性”在本文中用于表示“用作示例、实例或说明”。本文中被描述为“示例性”的本主题的任何实施例或实施方式不必被解释为比其它实施例优选或有利。
虽然本公开可以具有各种修改和替换形式，但是其具体实施例已经借助示例在附图中示出，并且将在下面详细地描述。然而，应该理解，并不旨在将本公开限制于所公开的特定形式，相反，本公开将覆盖落入本公开范围内的所有修改、等同物和替换物。
术语“包括”、“包含”或其任何其它变型旨在涵盖非排他性包含物，使得包括一系列部件或步骤的设置、设备或方法不仅包括这些部件或步骤，而且还可能包括这样的设置或设备或方法的未明确列出的或固有的其它部件或步骤。换句话说，在没有更多约束的情况下，“包括......”之后的系统或装置中的一个或多个元件不排除在该系统或装置中存在其它元件或附加元件。
本公开的实施例涉及用于检测工业车间中的波形中的异常的方法和系统。在学习阶段期间，从监测工业车间中的多个设备的多个传感器接收多个波形。所述多个波形包括训练波形和测试波形。训练波形被用于生成代表性波形，并且确定每个训练波形与代表性波形的偏差。基于该偏差，创建多个组。可以将一个或多个模型与每个组进行关联，以构建期望的波形图案(参考波形图案)。在一个实施例中，还可以生成非期望的波形图案，并且可以相应地执行其它步骤。然而，本公开是在考虑生成期望的波形的情况来解释的。此外，针对每个参考波形图案计算异常分数范围，用于检测实时接收的波形中的异常。在一个实施例中，本公开中实时接收的波形可以被称为测试波形。实时地(在工业车间的正常运行中)，接收多个测试波形。基于多个测试波形的电气和物理特性，每个测试波形被分类到在学习阶段期间创建的多个组中的一组内。此后，将每个测试波形与相应测试波形被分组到的组的关联参考波形图案进行比较以检测异常。
参考图1。在一个实施例中，图1示出了工业车间(100)的环境的框图。在替代实施例中，工业车间可以是加工厂或发电厂。工业车间(100)可包括多个设备(102A、102B、102C)。多个设备(102A、102B、102C......102N)可以被统称为设备(102)。设备(102)可以包括但不限于电动机、发电机、变压器、断路器以及工业车间或加工厂或发电厂中使用的任何其它设备。设备(102)由多个传感器(101)监测。在示例实施例中，设备(102A)可以由传感器(101A)监测，设备(102B)可以由传感器(101B)监测，以此类推。传感器(101A、101B、......101N)可以被统称为传感器(101)。传感器(101)可以包括电流传感器、电压传感器、振动传感器、温度传感器，并且可以包括工业车间(100)或加工厂或发电厂中一般使用的任何其它传感器。在一个实施例中，传感器(101)可以被安装在相应的设备上以测量设备(102)的参数(电流、电压、振动、温度)。在另一实施例中，可以将传感器(101)放置为使得能够从设备(102)有效地测量参数。
在一个实施例中，传感器(101)生成对应于测量的多个波形。多个波形可以是模拟波形或数字波形。在一个实施例中，异常检测系统(103)可以使用多个波形来检测设备(102)的工作中的故障。例如，如果电流传感器测量电动机电流参数，则使用由电流传感器产生的波形来分析电动机是否以预期方式工作。如果波形偏离期望的图案/振幅/频率/相位，则检测到这种异常以确定电动机工作中的故障，并且工业车间(100)中的操作员可以采取适当动作。通过检测这种异常，可以安排维护活动，并且可以降低损坏设备(102)的风险。在一个实施例中，多个波形可以是时间序列波形。在一个实施例中，多个波形包括多个训练波形或多个测试波形。训练波形是在异常检测系统(103)的学习阶段期间获得的波形。在一个实施例中，实时地获得测试波形以检测测试波形中的异常。在一个实施例中，异常检测系统(103)可以将检测到的异常(异常结果)提供给通知单元(104)。在一个实施例中，异常检测系统(103)可以专门针对工业设备(102)设计，或者可以是通用系统，该通用系统可以包括一个或多个服务器、超级计算机、工作站、膝上型计算机或能够处理多个波形的任何其它电子设备。
在一个实施例中，工业车间(100)可以包括数据库(未示出)，用于存储包括多个测试波形和多个训练波形的多个波形。在一个实施例中，异常检测单元(103)能够从数据库检索多个波形。在一个实施例中，异常检测系统(103)可以通过工业车间(100)中提供的车间网络(未示出)而与数据库或多个传感器(101)通信。异常检测系统(103)可以被设置为经由网络接口与车间网络通信。网络接口可以采用连接协议，连接协议包括但不限于直接连接、以太网(例如，双绞线10/100/1000Base T)、传输控制协议/因特网协议(TCP/IP)、令牌环、IEEE 802.11a/b/g/n/x等。车间网络可以包括但不限于直接互连、有线连接、电子商务网络、对等(P2P)网络、局域网(LAN)、广域网(WAN)、无线网络(例如，使用无线应用协议(WAP))、因特网、无线保真(Wi-Fi)等。
在一个实施例中，通知单元(104)可以是用于显示设备(102)中的故障的显示模块。在一个实施例中，通知单元(104)可以包括用于在紧急情况下(例如，当存在电动机过载或变压器爆炸等情况时)通知操作员的警报。通知单元(104)可被用于及时采取适当的动作(维护活动或配置设备参数)。
现在参考图2，其详细示出了异常检测系统(103)的工作。如所示出的，异常检测系统(103)包括输入模块(201)、代表性波形发生器(202)、变化检测模块(203)、分组模块(204)、模型构建模块(205)、异常范围估计模块(206)和异常分类模块(207)。如这里所使用的，术语“模块”是指专用集成电路(ASIC)、电子电路、现场可编程门阵列(FPGA)、可编程片上系统(PSoC)、组合逻辑电路和/或提供所述功能的其它合适的部件。当以本公开中定义的功能配置时，这些模块将导致新颖的硬件。
在一个实施例中，输入模块(201)可以从多个传感器(101)接收包括多个训练波形和多个测试波形的多个波形。在一个实施例中，输入模块(201)可以从数据库检索多个波形。在一个实施例中，输入模块(201)可以接收构建模型以检测异常所需的训练波形，或者可以接收用于检测异常的测试波形。在一个实施例中，测试波形还可以被用于更新现有模型并同时检测测试波形中的异常。
在一个实施例中，代表性波形发生器(202)可以根据学习阶段期间接收的多个训练波形生成代表性波形图案。代表性波形发生器(202)可以首先预处理在学习阶段期间接收的多个训练波形，然后创建代表性波形图案。预处理可以包括通过应用低通滤波器和/或高通滤波器使多个训练波形平滑化，以及选择适当的训练波形构建用于异常检测的模型。
在一个实施例中，变化检测模块(203)用于确定多个训练波形中的每一者的一个或多个电气和物理参数相对于代表性波形图案的电气和物理参数的偏差(或测试波形相对于参考波形的变化)。变化可以包括形状变化、振幅变化、相位变化、频率变化、电流或电压值变化。
在一个实施例中，分组模块(204)对具有类似的相对于代表性波形图案的偏差的训练波形进行分组。此外，这种类似的训练波形被分组为多个组，从而产生多个组。在一个实施例中，每个组可以基于特性偏差而与一个或多个模型相关联。在一个实施例中，类别在本公开中也被称为组，并且类别和组在整个公开中可互换地使用。
在一个实施例中，模型构建模块(205)可以训练与相应组相关联的一个或多个模型以生成参考波形图案。组的参考波形图案指示该组的期望的波形图案。
在一个实施例中，异常范围估计模块(206)估计异常值范围，超过该范围的波形可以被视为故障/非期望的图案。
在一个实施例中，异常分类模块(207)被配置为将测试波形(实时波形)与相应的参考波形图案进行比较。基于该比较，产生该测试波形的异常分数。如果异常分数位于针对相应参考波形图案而产生的异常范围内，则将该测试波形分类为期望的/所需的波形。如果异常分数超出针对相应参考波形图案而产生的异常分数，则将该测试波形分类为非预期的/故障波形。在一个实施例中，可以将分类结果提供给通知单元(104)。
图3示出了根据本公开的一些实施例的示例出用于生成参考波形图案以检测波形中的异常的方法的流程图。
如图3中所示，根据本公开的一些实施例，方法300可以包括用于生成参考波形图案以检测测试波形中的异常的一个或多个步骤。可以在计算机可执行指令的一般上下文中描述方法300。通常，计算机可执行指令可以包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、部件、数据结构、过程、模块和功能。
方法300的描述顺序不旨在被解释为限制，可以以任何顺序组合所述方法的任何数量的框以实现该方法。另外，可以从方法中删除个别框而不脱离本文描述的主题的精神和范围。此外，该方法可以以任何合适的硬件、软件、固件或其组合来实现。
在步骤301，输入模块(201)在学习阶段期间接收多个训练波形。多个训练波形可以是时间序列波形。多个训练波形可以是由多个传感器(101)从设备(102)测量的电压信号或电流信号。在一个实施例中，多个训练波形可以仅包括期望的波形。在另一实施例中，多个训练波形可以包括最的非期望的波形。
在步骤302，代表性波形发生器(202)使用训练波形生成代表性波形图案。在示例性实施例中，动态时间规整(DTW)重心平均(DBA)是用于创建代表性波形图案的技术之一。本领域技术人员将理解，可以使用任何这样的技术。DBA技术确定用于一组预处理训练波形的代表性波形图案。通过迭代地最小化代表性波形图案和非对称动态时间规整(ADTW)对齐的训练波形之间的平方距离之和来执行用于找到代表性波形图案的方法。非对称动态时间规整(DTW)对齐是一种规整具有不同或相同长度的两个不同的时间序列参考和查询的方法，用于产生具有参考和修改查询之间的最小成对距离的长度参考的修改查询。可以使用欧几里得、马哈拉诺比斯(Mahalanobis)、余弦距离或任何其它合适的技术来计算距离。图4示出了根据3个训练波形生成代表性波形图案(401)的示例。在一个实施例中，代表性波形图案(401)可以包括输入训练波形的平均电气和物理特性。在使每个训练波形的长度相等之后，可以使用任何距离计算技术来计算距离，例如欧几里德方法、时间对准测量(TAM)、平均差和(MDS)、基于形状的距离(SBD)、马哈拉诺比斯距离、基于相关性的距离，或者上述测量的加权平均，这只是其中的一些例子。TAM表征代表性波形图案(401)和训练波形之间的时间对准差异量，而MDS表征代表性波形图案(401)和训练波形之间的振幅差异量。
返回参考图3，在步骤303，变化检测模块(203)检测每个训练波形的电气和物理参数相对于代表性波形图案(401)的电气和物理参数的偏差(或测试波形的变化)。在一个实施例中，训练波形可以具有可变长度。因此，训练波形的长度可以与代表性图案对齐。为了将每个训练波形与代表性图案对齐，可以使用诸如ADTW的技术。在替代实施例中，重复较短训练波形的最后一个值或移除超过缩短的波形长度的部分。在一个实施例中，可以使用从较长训练波形中随机的值移除。
在步骤304，基于变化创建多个组。每个组代表一种变化类型。例如，如图5A所示，让我们考虑100个训练波形。在100个训练波形中，让我们考虑30个波形具有振幅A1，60个波形具有振幅A2，并且10个波形具有振幅A3。将这100个训练波形与代表性波形图案(401)进行比较，并确定每个训练波形相对于代表性波形图案(401)的变化(距离)。如果仅考虑振幅距离，则具有振幅A1的训练波形导致距离D1，具有振幅A2的训练波形导致距离D2，具有振幅A3的训练波形导致距离D3。因此，可以基于振幅来形成三个独特的组。同样，考虑所有电气和物理参数以确定距离。在一个实施例中，可以为每个参数提供优先级。例如，可以为波形形状提供最高优先级。图5B示出了具有不同距离的训练波形的频率的图。如图(图5B)中所示，示出了三个峰(501、502和503)。三个峰中的每一个峰表示一组训练波形，该组训练波形具有类似的相对于代表性波形图案(401)的距离/变化/偏差。因此每个峰形成一个组。例如，图5B中的峰501可以表示具有1700个单位(如图5A所示)上下的距离的训练波形。同样地，峰值502可以表示具有1100个单位上下的距离的波形，峰值503可以表示具有1500个单位上下的距离的波形。因此，可以基于波形相对于代表性波形图案(401)的距离来创建三个组。在一个实施例中，可以采用诸如欧几里得的技术来确定距离。此外，可以采用诸如峰检测的技术来检测具有变化的距离的峰。此外，诸如K均值聚类的技术可被用于将波形分类为组。
返回参考图3，在步骤305，模型构建模块(205)可以使用组代表性波形图案生成参考波形图案。参考波形图案可以向操作员指示期望的波形。模型构建模块(205)可以采用机器学习技术来构建模型。可以使用各种分类技术，例如一类支持向量机(OCSVM)、深度神经网络(DNN)的自动编码器，或深度神经网络的长短期记忆(LSTM)。甚至可以将不同的分类技术用于分组的训练波形。例如，可以针对组A使用OCSVM，针对组B使用自动编码器，以及针对组C使用LSTM。这里给出了对自动编码器的描述。
参考图6A、6B和6C，示出了不同组的参考波形图案。例如，对于组501，参考波形图案(601)在图6A中示出。同样，对于组502，参考波形图案(602)在图6B中示出，并且对于组503，参考波形图案(603)在图6C中示出。
在一个实施例中，自动编码器是用于学习所提供的输入训练波形的空间和特征信息并重建输出波形(参考波形图案)的无监督技术。在一个实施例中，自动编码器包括两部分，即编码器和解码器。编码器是一个或多个互连的隐藏层的组合，每个互连具有不同的权重。每个隐藏层都是一组人工神经元。人工神经元包括激活函数，此函数转换输入数据并应用于激活功能，且人工神经元产生输出。例如，可以使用Sigmoid函数、tanh函数或线性整流函数作为激活函数。编码器大小的第一层(输入层)等于特定组长度的大小。在一个实施例中，编码器可以执行降维以将整个输入波形(训练/测试波形)表示为一组最小可能的特征集。编码器的最后一层具有可以表示输入波形的最小特征集的大小。
在一个实施例中，解码器是一个或多个完全互连的层，每个互连具有不同的权重，每个层包括一组人工神经元。解码器与编码器相反地工作。第一层解码器大小可以等于编码器的最后一层。具有解码器大小的最后一层(输出层)可以等于编码器的第一层。对于每个给定的测试波形，经过训练的自动编码器可以产生相同长度的输出参考波形图案。在一个实施例中，可以存在两种操作自动编码器的模式：学习和检测。在学习模式中，模型可以学习或更新连接的权重并产生输出参考波形图案。在检测模式中，自动编码器权重可以不被更新，但是可用于生成参考波形图案。该参考波形图案可以被提供给异常范围估计模块(206)。使用自动编码器的模型构建的示例在图7中示出。在图7中，N是对应组的训练波形的大小。
返回参考图3，在步骤306，异常范围估计模块(206)确定每个参考波形图案的异常范围。异常范围估计模块(206)确定被包括在多个训练波形中的正常波形(期望的数据)的异常分数范围。可以分别计算与每个组相关联的每个模型的异常分数。针对参考波形图案计算的异常分数可以作为参考分数，同时与测试波形的异常分数进行比较，以检测测试波形中的异常。图8示出了各组的异常分数的箱线图的示例，其定义了正常波形的异常分数范围。
在一个实施例中，测试波形的异常分数是测试波形与相应的参考波形图案之间的距离。例如，在自动编码器的情况下，它可以是测试波形与参考波形图案之间的欧几里德距离。该距离还可以是全局对准核距离、基于形状的距离、DTW距离、马哈拉诺比斯距离或这些距离的加权组合。
异常分类模块(207)将测试波形分类为正常或不正常(异常)。如果以这种方式构建模型，则该模块可以分类为多个组。由于存在多个模型，因此可以使用规则(例如，if theOR规则)来组合测试波形的异常分数——如果异常分数在任何单个模型的异常分数范围内，则测试波形可被分类为异常。这里，介绍了使用模型和对测试波形进行分类的另一方法。一旦将测试波形提供给分组模块(204)，就将测试波形与所有特征组代表性图案进行比较，以找到最佳匹配特征组类别。为此，可以使用距离度量，例如DTW距离。最接近的匹配代表性图案可以决定测试波形的特征组。一旦分配了组，相应的模型便被用来生成参考波形图案并被提供给异常范围估计模块(206)。
在另一实施例中，分组校正模块可以细化训练波形的分组。该模块可以执行多项任务，包括确认分组结果、选择要移除的组、或选择要进行子分组的组。这些任务可以由用户或专家借助异常检测系统(103)中的图形用户界面(GUI)(如图9所示)来执行。由于一个或多个训练波形包括噪声和不均匀的图案数量分布，因此可以重复使用分组校正模块，直到找到所需的训练波形分组。
在一个实施例中，GUI可以包括训练波形可视化(901)、数据选择(902)、代表性图案选项(903)、代表性图案可视化(904)、距离分布可视化(905)、分组数据可视化(906)以及分组(类别)确认/编辑选项(907)。
训练波形可视化(901)显示一个或多个训练波形的ID(编号)的列表。当操作员选择组ID时，使相应的训练波形可视化。数据选择(902)显示被用于分组的训练波形列表。代表性图案选项(903)显示创建代表性图案的选项。在一个实施例中，示出自动创建和手动选择。在自动创建选项的情况下，自动创建代表性图案被。在手动选择的情况下，将所选的测试波形的ID输入到文本框中，例如“输入数据ID”，或者通过单击数据选择中显示的列表，并将所选的训练波形用作代表性图案。
代表性图案可视化(904)显示代表性图案的可视化数据。距离分布可视化(905)显示由距离计算单元计算的代表性图案与一个或多个训练波形中的每一个之间的距离的频率分布。通过查看可视化结果，操作员可以确认分组编号是否正确。
分组数据可视化(906)显示分组数据的可视化数据，其保持分组的训练波形。通过查看可视化结果，操作员可以确认分组编号是否正确。
在一个实施例中，分组确认/编辑选项(907)可以向操作员提供三个选项：结果确认(组OK)，选择要删除的组(删除组)或创建子组(创建子组)。当数据包含一个或多个不需要的组或者异常检测系统(103)不能自动创建所需的训练波形分组时，这可能是有用的。在选择要删除的组(删除组)或创建子组(创建子组)，则可以通过文本框输入所选组的ID，例如“输入组ID”。
在一个实施例中，可以由代表性波形发生器(202)为每个组生成组代表性图案。一个组的组代表性图案可以由与该组相关联的模型使用以构建参考波形图案。
图10示出了流程图，其示出检测多个测试波形中的异常的方法步骤。
在步骤1001，输入模块(201)从多个传感器(101)接收多个测试波形。可以实时地接收多个测试波形。
在步骤1002，分组模块(204)基于与相应波形相关联的一个或多个电气和物理特性将多个测试波形中的每一个分组到多个组中的一组内。
在步骤1003，异常分类模块(207)通过将每个测试波形的异常分数与针对相应参考波形图案计算的相应异常范围进行比较来检测多个测试波形中的异常。
为了基于异常分数对测试波形进行分类，可以对每个组使用满足可接受的假阳性率的简单阈值技术或定义分类规则的简单决策树。例如，作为阈值技术，图8中所示的箱形图确定正常波形的异常分数范围。如果异常分数超出测试波形的范围，则将其分类为异常。
可以在异常检测系统(103)中提供与异常分类模块(207)对应的GUI，如图11所示。该GUI可以用于支持分类结果，即作为分类结果判断的证据。GUI可以包括测试波形可视化(1101)、分组数据可视化(1102)、异常分数的箱形图(1103)、异常部分可视化(1104)和结果验证选项(1105)。
测试波形可视化(1101)可以显示测试波形的可视化。分组数据可视化(1102)可以显示分组数据。分组数据可视化(1102)还可以显示训练波形的每个特征组的代表性图案。异常分数的箱形图(1103)可以显示各种模型的异常分数的箱形图。异常部分可视化(1104)可以显示测试波形中与正常训练波形不同的异常数据部分。结果验证选项(1105)可以由验证分类结果的专家/操作员使用。分类结果可能是正确的、不正确的或可疑的。这些验证结果以及测试波形可以在将来被用于进一步训练模型或更新模型。如果分类结果是不正确的，则专家会通过文本框“输入正确标签”输入测试波形的正确标签。
在一个实施例中，所公开的方法和系统在波形中准确地检测异常。在一个实施例中，该方法和系统检测正常数据中的任何变化并避免错误分类。
除非另有明确说明，否则术语“一实施例”、“实施例”、“多个实施例”、“该实施例”、“这些实施例”、“一个或多个实施例”、“一些实施例”和“一个实施例”表示“本发明的一个或多个(但非全部)实施例”。
除非另有明确说明，否则术语“包括”、“包含”、“具有”及其变形表示“包括但不限于”。
除非另有明确说明，否则列举的项目列表并不意味着任何或所有项目是互斥的。除非另有明确说明，否则术语“一”、“一个”和“该”表示“一个或多个”。
具有彼此通信的若干部件的实施例的描述并不意味着需要所有这些部件。相反，描述了各种可选部件以示例本发明的各种可能的实施例。
当在此描述单个设备或制品时，显而易见的是，可以使用多于一个设备/制品(无论它们是否合作)来代替单个设备/制品。类似地，在这里描述多于一个设备或制品(无论它们是否合作)的情况下，显而易见的是，可以使用单个设备/制品来代替多于一个设备或制品，或者可以使用不同数量的设备/制品来代替所示数量的设备或程序。设备的功能和/或特征可替代地由一个或多个未被明确地描述为具有这样的功能/特征的其它设备实现。因此，本发明的其它实施例不需要包括设备本身。
图3和图10所示的操作示出了以特定顺序发生的特定事件。在替代实施例中，特定操作可以以不同的顺序执行、修改或移除。此外，可以向上述逻辑添加步骤并且仍然符合所描述的实施例。此外，这里描述的操作可以顺序地发生，或者可以并行地处理某些操作。此外，操作可以由单个处理单元或分布式处理单元执行。
最后，说明书中使用的语言主要是出于可读性和指导目的而选择的，并且可能未选择它来描绘或限制本发明的主题。因此，本发明的范围旨在不受该详细描述的限制，而是受基于此处的申请的任何权利要求的限制。因此，本发明的实施例的公开内容旨在说明而非限制在所附权利要求中阐述的本发明的范围。
虽然本文已经公开了各种方面和实施例，但是其它方面和实施例对于本领域技术人员来说将是显而易见的。这里公开的各个方面和实施例是出于说明的目的而不是限制性的，真正的范围和精神由所附权利要求指示。
参考标号：
参考标号 描述
100 工业车间
101 传感器
102 设备
103 异常检测系统
104 通知单元
201 输入模块
202 代表性波形发生器
203 变化检测模块
204 分组模块
205 模型构建模块
206 异常范围估计模块
207 异常分类模块
401 代表性波形图案
501,502,503 组
601,602,603 参考波形图案
901 训练波形可视化
902 数据选择
903 代表性图案选项
904 代表性图案可视化
905 距离分布可视化
906 分组数据可视化
907 分组确认/编辑选项
1101 测试波形可视化
1102 分组数据可视化
1103 异常分数的箱形图
1104 异常部分可视化
1105 结果验证选项

Claims (17)

1.一种用于检测工业车间中的波形异常的异常检测系统，其中所述工业车间包括由多个传感器监测的多个设备，其中每个传感器基于所述监测生成多个训练波形和多个测试波形，所述异常检测系统包括：
输入模块，其从每个传感器接收所述多个训练波形和所述多个测试波形；
代表性波形发生器，其使用来自每个传感器的所述多个训练波形生成代表性波形图案；
分组模块，其基于每个训练波形与所述代表性波形图案之间的偏差，将每个训练波形分组到多个组中的一组内；以及
异常分类模块，其被配置为使用被分组的训练波形检测所述多个测试波形中的至少一个测试波形中的异常。
2.根据权利要求1所述的异常检测系统，其中所述分组模块被配置为基于所述偏差将每个训练波形分组到所述多个组中的最佳匹配组内。
3.根据权利要求1所述的异常检测系统，进一步包括模型构建模块，所述模型构建模块被配置为：
基于相应组中的所述训练波形为每个组构建一个或多个模型；以及
基于相应组的所述一个或多个模型为每个组生成参考波形图案。
4.根据权利要求1所述的异常检测系统，进一步包括异常范围估计模块，所述异常范围估计模块被配置为估计每个参考波形图案的异常分数范围。
5.根据权利要求1所述的异常检测系统，其中所述分组模块被进一步配置为基于相应测试波形的一个或多个电气和物理参数将每个测试波形分组到相应组内。
6.根据权利要求4所述的异常检测系统，其中所述异常分类模块通过执行以下操作来检测每个测试波形中的异常：
确定每个测试波形的异常分数；以及
将每个测试波形的异常分数与相应组的参考波形的所述异常分数范围进行比较以检测每个测试波形中的异常。
7.根据权利要求5所述的异常检测系统，其中所述一个或多个电气和物理参数包括电流、电压、形状、振幅、频率和相位中的至少一者。
8.根据权利要求3所述的异常检测系统，其中所述分组模块被进一步配置为为每个组生成组代表性波形图案，其中所述组代表性波形图案由相应的一个或多个模型使用以生成所述参考波形图案，其中所述参考波形图案指示期望的信号。
9.一种用于检测工业车间中的波形异常的方法，其中所述工业车间包括由多个传感器监测的多个设备，其中每个传感器基于所述监测而生成多个训练波形和多个测试波形，所述方法包括：
由输入模块从每个传感器接收所述多个训练波形；
由代表性波形发生器使用来自每个传感器的所述多个训练波形生成代表性波形图案；
由分组模块基于每个训练波形与所述代表性波形图案之间的偏差，将每个训练波形分组到多个组中的一组内；以及
由异常分类模块使用被分组的训练波形检测每个测试波形中的异常。
10.根据权利要求9所述的方法，其中基于所述偏差将每个训练波形分组到所述多个组中的最佳匹配组内。
11.根据权利要求9所述的方法，进一步包括：
基于相应组中的所述训练波形为每个组构建一个或多个模型；以及
基于相应组的所述一个或多个模型为每个组生成参考波形图案。
12.根据权利要求11所述的方法，进一步包括估计每个参考波形的异常分数范围。
13.根据权利要求9所述的方法，进一步包括基于相应测试波形的一个或多个电气和物理参数将每个测试波形分组到相应组内。
14.根据权利要求13所述的方法，进一步包括：
确定每个测试波形的异常分数；以及
将每个测试波形的异常分数与相应组的参考波形的所述异常分数范围进行比较以检测每个测试波形中的异常。
15.根据权利要求13所述的方法，其中所述一个或多个电气和物理参数包括电流、电压、形状、振幅、频率和相位中的至少一者。
16.根据权利要求11所述的方法，其中所述分组进一步包括为每个组生成组代表性波形图案，其中所述组代表性波形图案由相应的一个或多个模型使用以生成所述参考波形图案，其中所述参考波形图案指示期望的信号。
17.一种非暂时性计算机可读介质，其包括在其上存储的指令，当由至少一个处理器处理时，所述指令使得设备执行操作，所述操作包括：
从每个传感器接收所述多个训练波形；
由代表性波形发生器使用来自每个传感器的所述多个训练波形生成代表性波形图案；
基于每个训练波形与所述代表性波形图案之间的偏差，将每个训练波形分组到多个组中的一组内；以及
使用被分组的训练波形检测每个测试波形中的异常。
CN201910603223.XA 2018-11-12 2019-07-05 检测波形中的异常的方法及其系统 Active CN111175593B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/186,762 US11137323B2 (en) 2018-11-12 2018-11-12 Method of detecting anomalies in waveforms, and system thereof
US16/186762 2018-11-12

Publications (2)

Publication Number Publication Date
CN111175593A true CN111175593A (zh) 2020-05-19
CN111175593B CN111175593B (zh) 2022-06-28

Family

ID=70550111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910603223.XA Active CN111175593B (zh) 2018-11-12 2019-07-05 检测波形中的异常的方法及其系统

Country Status (2)

Country Link
US (1) US11137323B2 (zh)
CN (1) CN111175593B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034139A (zh) * 2020-09-08 2020-12-04 矿冶科技集团有限公司 岩爆倾向性等级的判别方法、装置及电子设备
CN117330882A (zh) * 2023-12-01 2024-01-02 东莞市新易讯时代通信有限公司 一种用于滤波器的自动化测试方法及系统

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3884433A2 (en) * 2018-11-21 2021-09-29 DeepMind Technologies Limited Aligning sequences by generating encoded representations of data items
CA3128957A1 (en) * 2019-03-04 2020-03-03 Bhaskar Bhattacharyya Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
WO2021107938A1 (en) * 2019-11-26 2021-06-03 Unitedhealth Group Incorporated Processing irregular glucose data using dynamic time warping
CN111738305B (zh) * 2020-05-29 2022-06-24 浙江大学 一种基于dba-dtw-knn的机械通气人机不同步快速识别方法
JP7481976B2 (ja) * 2020-09-16 2024-05-13 株式会社東芝 異常スコア算出装置、異常スコア算出方法およびプログラム
US11443758B2 (en) * 2021-02-09 2022-09-13 International Business Machines Corporation Anomalous sound detection with timbre separation
US20220335347A1 (en) * 2021-04-15 2022-10-20 Business Objects Software Ltd Time-series anomaly prediction and alert
CN113449309B (zh) * 2021-06-28 2023-10-27 平安银行股份有限公司 终端安全状态识别方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173218A1 (en) * 2010-09-07 2013-07-04 Hitachi, Ltd. Malfunction Detection Method and System Thereof
CN107818331A (zh) * 2016-09-12 2018-03-20 特克特朗尼克公司 基于检测到的波形类型推荐测量
CN108334907A (zh) * 2018-02-09 2018-07-27 哈尔滨工业大学（威海） 一种基于深度学习的复杂装备点异常检测方法及系统
CN108427928A (zh) * 2018-03-16 2018-08-21 华鼎世纪（北京）国际科技有限公司 监控视频中异常事件的检测方法及装置
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2478243C (en) * 2002-03-22 2012-07-24 British Telecommunications Public Limited Company Anomaly recognition
JP2011007553A (ja) 2009-06-24 2011-01-13 Hitachi High-Technologies Corp 欠陥検出方法及び装置
JP5778305B2 (ja) 2014-03-12 2015-09-16 株式会社日立製作所 異常検知方法及びそのシステム
JP2016200971A (ja) 2015-04-09 2016-12-01 キヤノン株式会社 学習装置、識別装置、学習方法、識別方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130173218A1 (en) * 2010-09-07 2013-07-04 Hitachi, Ltd. Malfunction Detection Method and System Thereof
CN107818331A (zh) * 2016-09-12 2018-03-20 特克特朗尼克公司 基于检测到的波形类型推荐测量
CN108334907A (zh) * 2018-02-09 2018-07-27 哈尔滨工业大学（威海） 一种基于深度学习的复杂装备点异常检测方法及系统
CN108427928A (zh) * 2018-03-16 2018-08-21 华鼎世纪（北京）国际科技有限公司 监控视频中异常事件的检测方法及装置
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034139A (zh) * 2020-09-08 2020-12-04 矿冶科技集团有限公司 岩爆倾向性等级的判别方法、装置及电子设备
CN117330882A (zh) * 2023-12-01 2024-01-02 东莞市新易讯时代通信有限公司 一种用于滤波器的自动化测试方法及系统
CN117330882B (zh) * 2023-12-01 2024-02-06 东莞市新易讯时代通信有限公司 一种用于滤波器的自动化测试方法及系统

Also Published As

Publication number Publication date
US11137323B2 (en) 2021-10-05
US20200149998A1 (en) 2020-05-14
CN111175593B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN111175593B (zh) 检测波形中的异常的方法及其系统
EP3460611B1 (en) System and method for aircraft fault detection
Marins et al. Improved similarity-based modeling for the classification of rotating-machine failures
CN108731923B (zh) 一种旋转机械设备的故障检测方法及装置
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
US8630962B2 (en) Error detection method and its system for early detection of errors in a planar or facilities
US8352216B2 (en) System and method for advanced condition monitoring of an asset system
WO2021071911A1 (en) Sensor contribution ranking
JP2004524609A (ja) 予測状態監視における変化状態の適応モデリング
CA2938766A1 (en) Method of identifying anomalies
US20120016824A1 (en) Method for computer-assisted analyzing of a technical system
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
EP3975077A1 (en) Monitoring device and method for segmenting different times series of sensor data points
CN115329986A (zh) 基于可解释性图神经网络的风电机组异常检测与定位方法
CN114342003A (zh) 传感器无关的机械机器故障识别
CN112005181A (zh) 异常检测
KR102545672B1 (ko) 기계고장 진단 방법 및 장치
US20210102527A1 (en) System and method for monitoring a device
Elhaija et al. A novel dataset and lightweight detection system for broken bars induction motors using optimizable neural networks
Carratù et al. A novel methodology for unsupervised anomaly detection in industrial electrical systems
Dwiputranto et al. Machinery equipment early fault detection using Artificial Neural Network based Autoencoder
Coelho et al. Detection of short circuit faults in 3-phase converter-fed induction motors using kernel SOMs
Kenyon et al. Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines
Schadler et al. Fault detection using online selected data and updated regression models

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
CB02 Change of applicant information

Address after: Tokyo, Japan

Applicant after: Toshiba Corp.

Applicant after: Kaixia Co.,Ltd.

Address before: Tokyo, Japan

Applicant before: Toshiba Corp.

Applicant before: Toshiba memory Co., Ltd

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant