CN112326213A - 异常数据检测方法及装置、机械故障检测方法及装置 - Google Patents
异常数据检测方法及装置、机械故障检测方法及装置 Download PDFInfo
- Publication number
- CN112326213A CN112326213A CN201910718645.1A CN201910718645A CN112326213A CN 112326213 A CN112326213 A CN 112326213A CN 201910718645 A CN201910718645 A CN 201910718645A CN 112326213 A CN112326213 A CN 112326213A
- Authority
- CN
- China
- Prior art keywords
- data
- filter
- abnormal
- detected
- detection 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.)
- Granted
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种异常数据检测方法及装置、机械故障检测方法及装置,属于数据处理技术领域。异常数据检测方法包括:获取第一训练数据;构建滤波器,并利用第一训练数据确定滤波器的系数;将第一训练数据经过滤波器后得到第二训练数据;构建异常检测模型,利用第二训练数据对异常检测模型进行训练,直至异常检测模型的识别效果达到预期,异常检测模型的输入为第二训练数据,异常检测模型的输出为第二训练数据与重构数据之间的差异特征值,重构数据为异常检测模型对第二训练数据进行重构后得到;将待检测数据输入滤波器后,再输入异常检测模型,得到待检测数据中的异常数据。本发明能够提高异常数据的检测精度。
Description
技术领域
本发明涉及数据处理技术领域,特别是指一种异常数据检测方法及装置、机械故障检测方法及装置。
背景技术
在风力发电的新能源领域,一旦风机发生故障,会造成大量的经济损失,因而对风机系统的故障进行提前预警和诊断变得尤为重要。但风机故障数据较难采集,并且故障数据类型较多,给风机的故障诊断带来了极大的困难。风机数据的异常检测可作为风机故障检测的有效手段,异常数据检测可以作为风机故障诊断的基础,为故障分类提供基础的故障数据集,但现有的异常数据检测方案存在检测精度较低的问题,仅能识别出小部分的异常数据。
发明内容
本发明要解决的技术问题是提供一种异常数据检测方法及装置、机械故障检测方法及装置,能够提高异常数据的检测精度,进而可以提高机械故障的检测精度。
为解决上述技术问题,本发明的实施例提供技术方案如下:
一方面,提供一种异常数据检测方法,包括:
获取第一训练数据;
构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
将所述第一训练数据经过所述滤波器后得到第二训练数据;
构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
可选地,所述获取第一训练数据包括:
对机械设备正常运行时的数据进行采样得到采样数据;
对所述采样数据进行信号时频分析,得到所述第一训练数据。
可选地,所述异常检测模型采用变分自编码器VAE模型。
可选地,所述滤波器采用半高斯滤波器。
其中,u为所述第一训练数据中能量最高的第一频率值,δ为所述第一频率值与第二频率值的距离,所述第二频率值的能量值为所述第一频率值的能量值*0.707。
本发明实施例还提供了一种机械故障检测方法,包括:
获取设置在机械设备上的传感器的传感数据;
将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
利用所述异常数据定位所述机械设备的故障。
可选地,所述机械设备为风力发电机,所述传感器设置在所述风力发电机的以下至少一个部位:
齿轮箱,主齿轮,发电机。
可选地,所述传感器为振动传感器。
本发明实施例还提供了一种异常数据检测装置,包括:
第一获取模块,用于获取第一训练数据;
第一构建模块,用于构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
第二获取模块,用于将所述第一训练数据经过所述滤波器后得到第二训练数据;
第二构建模块,用于构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
检测模块,用于将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
本发明实施例还提供了一种机械故障检测装置,包括:
数据获取模块,用于获取设置在机械设备上的传感器的传感数据;
异常数据检测模块,用于将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
故障定位模块,用于利用所述异常数据定位所述机械设备的故障。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的异常数据检测方法的步骤或实现如上所述的机械故障检测方法的步骤。
本发明的实施例具有以下有益效果:
上述方案中,在利用异常检测模型对待检测数据进行检测之前,先将待检测数据经过特定的滤波器,通过特定的滤波器可对待检测数据的频域特性进行有效的利用,再利用异常检测模型对经过滤波器后的待检测数据进行检测,可以提高异常数据检测的精度。
附图说明
图1为VAE模型的架构示意图;
图2为相关技术识别出的异常数据的示意图;
图3为设置在风力发电机的齿轮箱的振动传感器的振动传感数据的频谱图;
图4为设置在风力发电机的发电机的振动传感器的振动传感数据的频谱图;
图5为设置在风力发电机的主齿轮的振动传感器的振动传感数据的频谱图;
图6为本发明实施例异常数据检测方法的流程示意图;
图7为半高斯滤波器与高斯滤波器的滤波特性示意图;
图8为数据经过滤波器后的时域波形比较示意图;
图9为本发明实施例VAE模型的系统框架示意图;
图10-图12为添加滤波器后识别出的异常数据的比较示意图;
图13为本发明实施例机械故障检测方法的流程示意图;
图14为本发明实施例异常数据检测装置的结构框图;
图15为本发明实施例异常数据检测的电子设备的结构框图;
图16为本发明实施例机械故障检测装置的结构框图;
图17为本发明实施例机械故障检测的电子设备的结构框图。
具体实施方式
为使本发明的实施例要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
相关技术常采用VAE(variational autoencoder,变分自编码器)模型进行数据的异常检测,图1所示为VAE模型的架构示意图。VAE模型基于概率基础,分为编码器和解码器,编码器将输入数据x以一定概率编码为正态分布信号,解码器根据信号的正态分布特点对信号进行重构,重构后的数据y与原始数据x之间的差异以KL散度表示。VAE模型的输出为原始数据与重构数据之间的差异评分,利用正常的数据对VAE模型进行训练,在进行异常数据检测时,将待检测数据输入VAE模型,若有异常数据进入VAE模型,那么由VAE模型重构的数据和原始数据间会存在较大差异,VAE模型则判断该数据为异常数据。
如图2所示,相关技术在利用VAE模型进行异常数据检测时,在将异常数据送入VAE模型后,仅有约1/4的异常数据被检测出,图2中的每个点代表一个异常数据,可以看出,相关异常数据检测技术的检测精度较低,不能满足异常数据检测的要求。其中,在进行异常数据检测时,输入VAE模型的为数据的时频特征。
图3~图5所示为某风场的风力发电机的振动传感数据的频谱图,在风力发电机的齿轮箱、发电机和主齿轮分别设置有振动传感器,图3所示为设置在风力发电机的齿轮箱的振动传感器的振动传感数据的频谱图,图4所示为设置在风力发电机的发电机的振动传感器的振动传感数据的频谱图,图5所示为设置在风力发电机的主齿轮的振动传感器的振动传感数据的频谱图。通过观察这三个位置的振动传感数据的频谱图,可以看出,每个位置的振动传感数据的频谱都比较集中,仅存在一定的区域内。基于该特点,可以在进行异常数据检测之前,先将待检测数据经过特定的滤波器,这样可以对待检测数据的频谱进行有效的利用。
本发明的实施例提供一种异常数据检测方法及装置、机械故障检测方法及装置,能够提高异常数据的检测精度,进而可以提高机械故障的检测精度。
实施例一
本发明的实施例提供一种异常数据检测方法,如图6所示,包括:
步骤101:获取第一训练数据;
其中,第一训练数据为正常数据,在利用异常数据检测方法检测机械设备的运行数据时,可以对机械设备正常运行时的数据进行采样得到采样数据,对所述采样数据进行信号时频分析,得到所述第一训练数据。
步骤102:构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
滤波器的系数为矩阵W,除了需要根据第一训练数据的时频特征进行W的选取外,W还需要遵循以下几个原则:
1、W不能为零。如果滤波器的系数为0,则后续利用异常检测模型对待检测数据进行检测时,将不能检测到异常数据。
2、W应满足在高频域高能量域,低频域低能量域。在这种情况下,我们可以增强导入频繁组件
3、W需要满足频域无振荡波形,避免波形失真。
其中,高斯滤波器可以满足上述条件2和条件3,因此,可以选取高斯滤波器作为本实施例的滤波器。另外,根据条件1,W不能为0,因此,本实施例的滤波器可以选取半高斯滤波器。如图7所示为半高斯滤波器与高斯滤波器的滤波特性示意图。
一具体示例中,可以将高斯函数中所有幅度小于最大值0.707的数值都归到最大值的0.707,得到滤波器的系数如下:
滤波器的参数包括中心频率u和带宽δ,其中,u和δ根据第一训练数据的频谱特征选取。u采用第一训练数据的时频图中能量最高的第一频率值,δ采用第一频率值与第二频率值的距离,所述第二频率值的能量值为所述第一频率值的能量值*0.707。
值得注意的是,滤波器的频带数量与第一训练数据的时频图中的最高能量值的数量一致,比如,第一训练数据的时频图中具有两个最高能量值,则根据第一训练数据所确定的滤波器具有两个频带。
利用半高斯滤波器对数据进行滤波,可以突出数据的高能量部分,削弱数据的低能量部分,并且不会滤除异常信号。
若输入到滤波器的数据的时频特征为矩阵形式T,滤波器的系数为矩阵W,那么数据通过滤波器后的数学表达式如下所示:
步骤103:将所述第一训练数据经过所述滤波器后得到第二训练数据;
在确定滤波器的系数后,将第一训练数据输入滤波器,输出第二训练数据。
一具体示例中,在滤波器的参数u=1750Hz,δ=250Hz时,如图8所示,左半部分为第一训练数据的时域波形,右半部分为经过滤波器的第二训练数据的时域波形,可以看出,数据经过滤波器后,时域波形几乎无变化。
另外,在数据经过滤波器后,数据在部分频域的能量被削弱,但并未引起频域的扭曲。
步骤104:构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
一具体示例中,异常检测模型可以采用VAE模型,当然,异常检测模型并不局限于采用VAE模型,还可以采用其他类型的异常检测模型。
VAE模型基于概率基础,分为编码器和解码器,编码器将输入数据x以一定概率编码为正态分布信号,解码器根据信号的正态分布特点对信号进行重构,重构后的数据y与原始数据x之间的差异以KL散度表示。VAE模型的输出为原始数据与重构数据之间的差异评分,利用正常的第二训练数据对VAE模型进行训练,在重构后的数据y与原始数据x之间的差异小于预设阈值时,可以认为异常检测模型的识别效果达到预期。该阈值的确定可根据实际使用情况和训练数据的输出结果进行确定,例如可以设定为均值的1.5倍等。
一具体示例中,如图9所示,VAE模型可以采用3层卷积网络进行信号的编码和解码。其中,conv1为卷积层,ReLU和tanh为激活函数,mean为均值,Var为方差。
步骤105:将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
在对待检测数据进行检测时,将待检测数据输入异常检测模型之前,先将待检测数据输入构建的滤波器中,滤波器可以突出待检测数据的高能量部分,削弱待检测数据的低能量部分,提高待检测数据的频谱利用率。之后将滤波后的待检测数据输入VAE模型,若有异常数据进入VAE模型,那么由VAE模型重构的数据和原始数据间会存在较大差异,VAE模型则判断该数据为异常数据。
本实施例中,在利用异常检测模型对待检测数据进行检测之前,先将待检测数据经过特定的滤波器,通过特定的滤波器可对待检测数据的频域特性进行有效的利用,再利用异常检测模型对经过滤波器后的待检测数据进行检测,可以提高异常数据检测的精度。
一具体示例中,将风力发电机的齿轮箱位置的振动传感数据直接输入VAE模型,检测出的异常数据如图10上半部分所示,其中,每一个点代表一个异常数据;将风力发电机的齿轮箱位置的振动传感数据输入滤波器后,再输入VAE模型,检测出的异常数据如图10下半部分所示,其中,每一个点代表一个异常数据。可以看出,检测出的异常点或检测出的异常文件的数量大大提升,极大地提高了异常数据检测的精度。经过实验验证,在滤波器的中心频率为1750Hz,带宽为250Hz时,检测出的异常点的数量可以提升233%,检测出的异常文件的数量可以提升123%。
一具体示例中,将风力发电机的发电机位置的振动传感数据直接输入VAE模型,检测出的异常数据如图11上半部分所示,其中,每一个点代表一个异常数据;将风力发电机的发电机位置的振动传感数据输入滤波器后,再输入VAE模型,检测出的异常数据如图11下半部分所示,其中,每一个点代表一个异常数据。可以看出,检测出的异常点或检测出的异常文件的数量大大提升,极大地提高了异常数据检测的精度。经过实验验证,在滤波器的中心频率为5500Hz,带宽为1500Hz时,检测出的异常点的数量可以提升100%,检测出的异常文件的数量可以提升57%。
一具体示例中,将风力发电机的主齿轮位置的振动传感数据直接输入VAE模型,检测出的异常数据如图12上半部分所示,其中,每一个点代表一个异常数据;将风力发电机的主齿轮位置的振动传感数据输入滤波器后,再输入VAE模型,检测出的异常数据如图12下半部分所示,其中,每一个点代表一个异常数据。可以看出,检测出的异常点或检测出的异常文件的数量大大提升,极大地提高了异常数据检测的精度。经过实验验证,在滤波器的中心频率分别为180和300Hz,带宽均为10Hz时,检测出的异常点的数量可以提升42%,检测出的异常文件的数量可以提升50%。其中,由于主齿轮位置的振动传感数据具有两个最高能量值,因此对应的滤波器具有两个频带。
实施例二
本发明实施例还提供了一种机械故障检测方法,如图13所示,包括:
步骤201:获取设置在机械设备上的传感器的传感数据;
步骤202:将所述传感数据作为待检测数据,利用异常数据检测方法对所述传感数据进行检测,得到异常数据;
步骤203:利用所述异常数据定位所述机械设备的故障。
由于异常数据检测可以作为机械设备故障诊断的基础,为故障分类提供基础的故障数据集,因此,可以利用实施例一所述的异常数据检测方法对机械设备的传感数据进行检测,得到异常数据,进而利用异常数据定位机械设备的故障。
一具体示例中,机械设备可以为风力发电机,所述传感器可以设置在所述风力发电机的以下至少一个部位:齿轮箱,主齿轮,发电机。通过对获取的传感数据进行异常数据检测,识别出异常数据,可以对风机系统的故障进行提前预警和诊断。
当然,本实施例的机械设备并不局限为风力发电机,还可以为其他类型的机械设备,比如机床、电工机械、工程机械等。
可选地,传感器可以为振动传感器,但本实施例的传感器并不局限为振动传感器,还可以为其他类型的传感器,比如感光传感器、速度传感器、温度传感器、加速度传感器等。
实施例三
本发明实施例还提供了一种异常数据检测装置,如图14所示,包括:
第一获取模块11,用于获取第一训练数据;
其中,第一训练数据为正常数据,在利用异常数据检测方法检测机械设备的运行数据时,可以对机械设备正常运行时的数据进行采样得到采样数据,对所述采样数据进行信号时频分析,得到所述第一训练数据。
第一构建模块12,用于构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
滤波器的系数为矩阵W,除了需要根据第一训练数据的时频特征进行W的选取外,W还需要遵循以下几个原则:
1、W不能为零。如果滤波器的系数为0,则后续利用异常检测模型对待检测数据进行检测时,将不能检测到异常数据。
2、W应满足在高频域高能量域,低频域低能量域。在这种情况下,我们可以增强导入频繁组件
3、W需要满足频域无振荡波形,避免波形失真。
其中,高斯滤波器可以满足上述条件2和条件3,因此,可以选取高斯滤波器作为本实施例的滤波器。另外,根据条件1,W不能为0,因此,本实施例的滤波器可以选取半高斯滤波器。如图7所示为半高斯滤波器与高斯滤波器的滤波特性示意图。
一具体示例中,可以将高斯函数中所有幅度小于最大值0.707的数值都归到最大值的0.707,得到滤波器的系数如下:
滤波器的参数包括中心频率u和带宽δ,其中,u和δ根据第一训练数据的频谱特征选取。u采用第一训练数据的时频图中能量最高的第一频率值,δ采用第一频率值与第二频率值的距离,所述第二频率值的能量值为所述第一频率值的能量值*0.707。
值得注意的是,滤波器的频带数量与第一训练数据的时频图中的最高能量值的数量一致,比如,第一训练数据的时频图中具有两个最高能量值,则根据第一训练数据所确定的滤波器具有两个频带。
利用半高斯滤波器对数据进行滤波,可以突出数据的高能量部分,削弱数据的低能量部分,并且不会滤除异常信号。
若输入到滤波器的数据的时频特征为矩阵形式T,滤波器的系数为矩阵W,那么数据通过滤波器后的数学表达式如下所示:
第二获取模块13,用于将所述第一训练数据经过所述滤波器后得到第二训练数据;
在确定滤波器的系数后,将第一训练数据输入滤波器,输出第二训练数据。
一具体示例中,在滤波器的参数u=1750Hz,δ=250Hz时,如图8所示,左半部分为第一训练数据的时域波形,右半部分为经过滤波器的第二训练数据的时域波形,可以看出,数据经过滤波器后,时域波形几乎无变化。
另外,在数据经过滤波器后,数据在部分频域的能量被削弱,但并未引起频域的扭曲。
第二构建模块14,用于构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
一具体示例中,异常检测模型可以采用VAE模型,当然,异常检测模型并不局限于采用VAE模型,还可以采用其他类型的异常检测模型。
VAE模型基于概率基础,分为编码器和解码器,编码器将输入数据x以一定概率编码为正态分布信号,解码器根据信号的正态分布特点对信号进行重构,重构后的数据y与原始数据x之间的差异以KL散度表示。VAE模型的输出为原始数据与重构数据之间的差异评分,利用正常的第二训练数据对VAE模型进行训练,在重构后的数据y与原始数据x之间的差异小于预设阈值时,可以认为异常检测模型的识别效果达到预期。
检测模块15,用于将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
在对待检测数据进行检测时,将待检测数据输入异常检测模型之前,先将待检测数据输入构建的滤波器中,滤波器可以突出待检测数据的高能量部分,削弱待检测数据的低能量部分,提高待检测数据的频谱利用率。之后将滤波后的待检测数据输入VAE模型,若有异常数据进入VAE模型,那么由VAE模型重构的数据和原始数据间会存在较大差异,VAE模型则判断该数据为异常数据。
本实施例中,在利用异常检测模型对待检测数据进行检测之前,先将待检测数据经过特定的滤波器,通过特定的滤波器可对待检测数据的频域特性进行有效的利用,再利用异常检测模型对经过滤波器后的待检测数据进行检测,可以提高异常数据检测的精度。
实施例四
本发明实施例还提供了一种异常数据检测的电子设备30,如图15所示,包括:
处理器32;和
存储器34,在所述存储器34中存储有计算机程序指令,
其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器32执行以下步骤:
获取第一训练数据;
构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
将所述第一训练数据经过所述滤波器后得到第二训练数据;
构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
进一步地,在所述计算机程序指令被所述处理器运行时,所述处理器32还用于执行实施例一所述的异常数据检测方法中的步骤。
进一步地,如图15所示,异常数据检测的电子设备30还包括网络接口31、输入设备33、硬盘35、和显示设备36。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是包括任意数量的互联的总线和桥。具体由处理器32代表的一个或者多个中央处理器(CPU),以及由存储器34代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口31,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,例如第一训练数据,并可以保存在硬盘35中。
所述输入设备33,可以接收操作人员输入的各种指令,并发送给处理器32以供执行。所述输入设备33可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备36,可以将处理器32执行指令获得的结果进行显示。
所述存储器34,用于存储操作系统运行所必须的程序和数据,以及处理器32计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器34可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器34旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器34存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统341和应用程序342。
其中,操作系统341,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序342,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序342中。
上述处理器32,当调用并执行所述存储器34中所存储的应用程序和数据,具体的,可以是应用程序342中存储的程序或指令时,可以获取第一训练数据;构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;将所述第一训练数据经过所述滤波器后得到第二训练数据;构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
本发明上述实施例揭示的方法可以应用于处理器32中,或者由处理器32实现。处理器32可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器32中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器32可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器34,处理器32读取存储器34中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例中,在利用异常检测模型对待检测数据进行检测之前,先将待检测数据经过特定的滤波器,通过特定的滤波器可对待检测数据的频域特性进行有效的利用,再利用异常检测模型对经过滤波器后的待检测数据进行检测,可以提高异常数据检测的精度。
实施例五
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
获取第一训练数据;
构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
将所述第一训练数据经过所述滤波器后得到第二训练数据;
构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
本实施例中,在利用异常检测模型对待检测数据进行检测之前,先将待检测数据经过特定的滤波器,通过特定的滤波器可对待检测数据的频域特性进行有效的利用,再利用异常检测模型对经过滤波器后的待检测数据进行检测,可以提高异常数据检测的精度。
实施例六
本发明实施例还提供了一种机械故障检测装置,如图16所示,包括:
数据获取模块21,用于获取设置在机械设备上的传感器的传感数据;
异常数据检测模块22,用于将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
故障定位模块23,用于利用所述异常数据定位所述机械设备的故障。
由于异常数据检测可以作为机械设备故障诊断的基础,为故障分类提供基础的故障数据集,因此,可以利用实施例一所述的异常数据检测方法对机械设备的传感数据进行检测,得到异常数据,进而利用异常数据定位机械设备的故障。
一具体示例中,机械设备可以为风力发电机,所述传感器可以设置在所述风力发电机的以下至少一个部位:齿轮箱,主齿轮,发电机。通过对获取的传感数据进行异常数据检测,识别出异常数据,可以对风机系统的故障进行提前预警和诊断。
当然,本实施例的机械设备并不局限为风力发电机,还可以为其他类型的机械设备,比如机床、电工机械、工程机械等。
实施例七
本发明实施例还提供了一种机械故障检测的电子设备40,如图17所示,包括:
处理器42;和
存储器44,在所述存储器44中存储有计算机程序指令,
其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器42执行以下步骤:
获取设置在机械设备上的传感器的传感数据;
将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
利用所述异常数据定位所述机械设备的故障。
由于异常数据检测可以作为机械设备故障诊断的基础,为故障分类提供基础的故障数据集,因此,可以利用实施例一所述的异常数据检测方法对机械设备的传感数据进行检测,得到异常数据,进而利用异常数据定位机械设备的故障。
进一步地,在所述计算机程序指令被所述处理器运行时,所述处理器42还用于执行实施例二所述的机械故障检测方法中的步骤。
进一步地,如图17所示,机械故障检测的电子设备40还包括网络接口41、输入设备43、硬盘45、和显示设备46。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是包括任意数量的互联的总线和桥。具体由处理器42代表的一个或者多个中央处理器(CPU),以及由存储器44代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口41,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,例如传感数据,并可以保存在硬盘45中。
所述输入设备43,可以接收操作人员输入的各种指令,并发送给处理器42以供执行。所述输入设备43可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备46,可以将处理器42执行指令获得的结果进行显示。
所述存储器44,用于存储操作系统运行所必须的程序和数据,以及处理器42计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器44可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器44旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器44存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统441和应用程序442。
其中,操作系统441,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序442,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序442中。
上述处理器42,当调用并执行所述存储器44中所存储的应用程序和数据,具体的,可以是应用程序442中存储的程序或指令时,可以获取设置在机械设备上的传感器的传感数据;将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;利用所述异常数据定位所述机械设备的故障。
本发明上述实施例揭示的方法可以应用于处理器42中,或者由处理器42实现。处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器44,处理器42读取存储器44中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
实施例八
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
获取设置在机械设备上的传感器的传感数据;
将所述传感数据作为待检测数据,利用如上所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
利用所述异常数据定位所述机械设备的故障。
由于异常数据检测可以作为机械设备故障诊断的基础,为故障分类提供基础的故障数据集,因此,可以利用实施例一所述的异常数据检测方法对机械设备的传感数据进行检测,得到异常数据,进而利用异常数据定位机械设备的故障。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种异常数据检测方法,其特征在于,包括:
获取第一训练数据;
构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
将所述第一训练数据经过所述滤波器后得到第二训练数据;
构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
2.根据权利要求1所述的异常数据检测方法,其特征在于,所述获取第一训练数据包括:
对机械设备正常运行时的数据进行采样得到采样数据;
对所述采样数据进行信号时频分析,得到所述第一训练数据。
3.根据权利要求1所述的异常数据检测方法,其特征在于,所述异常检测模型采用变分自编码器VAE模型。
4.根据权利要求1所述的异常数据检测方法,其特征在于,所述滤波器采用半高斯滤波器。
6.一种机械故障检测方法,其特征在于,包括:
获取设置在机械设备上的传感器的传感数据;
将所述传感数据作为待检测数据,利用如权利要求1-5中任一项所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
利用所述异常数据定位所述机械设备的故障。
7.根据权利要求6所述的机械故障检测方法,其特征在于,
所述机械设备为风力发电机,所述传感器设置在所述风力发电机的以下至少一个部位:
齿轮箱,主齿轮,发电机。
8.根据权利要求7所述的机械故障检测方法,其特征在于,
所述传感器为振动传感器。
9.一种异常数据检测装置,其特征在于,包括:
第一获取模块,用于获取第一训练数据;
第一构建模块,用于构建滤波器,并利用所述第一训练数据确定所述滤波器的系数;
第二获取模块,用于将所述第一训练数据经过所述滤波器后得到第二训练数据;
第二构建模块,用于构建异常检测模型,利用所述第二训练数据对所述异常检测模型进行训练,直至所述异常检测模型的识别效果达到预期,所述异常检测模型的输入为所述第二训练数据,所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值,所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到;
检测模块,用于将待检测数据输入所述滤波器后,再输入所述异常检测模型,得到所述待检测数据中的异常数据。
10.一种机械故障检测装置,其特征在于,包括:
数据获取模块,用于获取设置在机械设备上的传感器的传感数据;
异常数据检测模块,用于将所述传感数据作为待检测数据,利用如权利要求1-5中任一项所述的异常数据检测方法对所述传感数据进行检测,得到异常数据;
故障定位模块,用于利用所述异常数据定位所述机械设备的故障。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的异常数据检测方法的步骤或实现如权利要求6至8中任一项所述的机械故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718645.1A CN112326213B (zh) | 2019-08-05 | 2019-08-05 | 异常数据检测方法及装置、机械故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718645.1A CN112326213B (zh) | 2019-08-05 | 2019-08-05 | 异常数据检测方法及装置、机械故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112326213A true CN112326213A (zh) | 2021-02-05 |
CN112326213B CN112326213B (zh) | 2022-11-15 |
Family
ID=74319705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910718645.1A Active CN112326213B (zh) | 2019-08-05 | 2019-08-05 | 异常数据检测方法及装置、机械故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112326213B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535452A (zh) * | 2021-07-12 | 2021-10-22 | 浙江讯飞智能科技有限公司 | 数据检测方法、装置、电子设备和存储介质 |
CN114060213A (zh) * | 2021-11-15 | 2022-02-18 | 明阳智慧能源集团股份公司 | 一种基于结冰等级估计的机组快速启机控制方法及系统 |
CN115080290A (zh) * | 2022-06-07 | 2022-09-20 | 吉林大学 | 一种基于智能算法的异常数据检测方法及系统 |
CN116257745A (zh) * | 2023-05-10 | 2023-06-13 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
JPWO2017171051A1 (ja) * | 2016-04-01 | 2019-03-07 | 日本電信電話株式会社 | 異常音検出学習装置、音響特徴量抽出装置、異常音サンプリング装置、これらの方法及びプログラム |
CN109443752A (zh) * | 2018-10-17 | 2019-03-08 | 北京信息科技大学 | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 |
CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
-
2019
- 2019-08-05 CN CN201910718645.1A patent/CN112326213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2017171051A1 (ja) * | 2016-04-01 | 2019-03-07 | 日本電信電話株式会社 | 異常音検出学習装置、音響特徴量抽出装置、異常音サンプリング装置、これらの方法及びプログラム |
CN107560844A (zh) * | 2017-07-25 | 2018-01-09 | 广东工业大学 | 一种风电机组齿轮箱的故障诊断方法及系统 |
CN109443752A (zh) * | 2018-10-17 | 2019-03-08 | 北京信息科技大学 | 一种基于vmd的齿轮振动信号降噪及故障诊断方法 |
CN110017991A (zh) * | 2019-05-13 | 2019-07-16 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
MICHIHIRO SHINTANI: "Artificial Neural Network Based Test Escape Screening Using Generative Model", 《2018 IEEE INTERNATIONAL TEST CONFERENCE (ITC)》 * |
袁非牛 等: "自编码神经网络理论及应用综述", 《计算机学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535452A (zh) * | 2021-07-12 | 2021-10-22 | 浙江讯飞智能科技有限公司 | 数据检测方法、装置、电子设备和存储介质 |
CN114060213A (zh) * | 2021-11-15 | 2022-02-18 | 明阳智慧能源集团股份公司 | 一种基于结冰等级估计的机组快速启机控制方法及系统 |
CN115080290A (zh) * | 2022-06-07 | 2022-09-20 | 吉林大学 | 一种基于智能算法的异常数据检测方法及系统 |
CN116257745A (zh) * | 2023-05-10 | 2023-06-13 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
CN116257745B (zh) * | 2023-05-10 | 2023-08-15 | 杭州致成电子科技有限公司 | 一种负荷电流极端异常数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112326213B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112326213B (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN104897403A (zh) | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
Zhu et al. | Extraction method for signal effective component based on extreme-point symmetric mode decomposition and Kullback–Leibler divergence | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN105203346A (zh) | 基于emd降噪的吸油烟机故障诊断的方法及系统 | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
CN113486868B (zh) | 一种电机故障诊断方法及系统 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
Jaber et al. | Real-time wavelet analysis of a vibration signal based on Arduino-UNO and LabVIEW | |
CN105157821A (zh) | 一种旋转机械振动故障诊断及定量分析方法 | |
CN113177537A (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
Laala et al. | Bearing faults classification based on wavelet transform and artificial neural network | |
CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 | |
Wang et al. | Fault diagnosis for bearing based on Mahalanobis-Taguchi system | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
Yang et al. | Fast nonlinear chirplet dictionary-based sparse decomposition for rotating machinery fault diagnosis under nonstationary conditions | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
Kashiwagi et al. | Digital systems design based on DSP algorithms in FPGA for fault identification in rotary machines | |
Li et al. | Mono-trend mode decomposition for robust feature extraction from vibration signals of rotating Machinery |
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 |