CN112462261B - 一种电机异常检测方法、装置、电子设备及存储介质 - Google Patents
一种电机异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112462261B CN112462261B CN202011342887.4A CN202011342887A CN112462261B CN 112462261 B CN112462261 B CN 112462261B CN 202011342887 A CN202011342887 A CN 202011342887A CN 112462261 B CN112462261 B CN 112462261B
- Authority
- CN
- China
- Prior art keywords
- state
- detected
- motor
- neural network
- sequence
- 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
- 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
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请提供一种电机异常检测方法、装置、电子设备及存储介质,用于改善难以识别电机的局部异常的问题。该方法包括:获取待检测电机的状态时序数据,并将状态时序数据转换为待检测目标状态和上下文序列;使用神经网络模型中的编码器将上下文序列进行编码,获得编码后的一维向量;使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵;使用神经网络模型中的概率层根据均值向量和协方差矩阵建立多维高斯概率分布;根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态。
Description
技术领域
本申请涉及机器学习的技术领域,具体而言,涉及一种电机异常检测方法、装置、电子设备及存储介质。
背景技术
电机(英文:Electric machinery,俗称“马达”)是指依据电磁感应定律实现电能转换或传递的一种电磁装置;电机是产品生产线的心脏,电机的状态将对产线的正常运转产生决定性的影响。
目前针对电机进行异常检测的方法通常是,使用异常检测算法对电机的当前状态数据进行识别,此处的状态数据包括但不限于:电机温度、电机震动、链条震动和三相电流等等,此处的单点数据是指实时采集电机的当前时刻状态数据;上述的异常检测算法可以包括:最近邻方法、局部离群因子(Local Outlier Factor,LOF)算法、主成分分析(Principal Component Analysis,PCA)算法或者孤立森林(Isolation Forest)算法等等。
在具体的实践过程中发现,使用目前的异常检测算法主要用于识别电机的全局异常,而难以识别电机的局部异常。
发明内容
本申请实施例的目的在于提供一种电机异常检测方法、装置、电子设备及存储介质,用于改善难以识别电机的局部异常的问题。
本申请实施例提供了一种电机异常检测方法,包括:获取待检测电机的状态时序数据,并将状态时序数据转换为待检测目标状态和上下文序列;使用神经网络模型中的编码器将上下文序列进行编码,获得编码后的一维向量;使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵;使用神经网络模型中的概率层根据均值向量和协方差矩阵建立多维高斯概率分布;根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态。在上述的实现过程中,首先将状态时序数据转换为待检测目标状态和上下文序列,然后对上下文序列进行编码和解码,并根据获得的均值向量和协方差矩阵建立多维高斯概率分布,最后根据待检测目标状态和多维高斯概率分布确定待检测电机是否处于异常状态;也就是说,通过对当前时刻状态的上下文序列状态进行编码、解码和多维高斯概率分布分析后,再确定待检测电机是否处于异常状态,有效地利用了当前时刻状态的上下文序列的分布信息,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,获取待检测电机的状态时序数据,包括:获取待检测电机的状态数据流;对状态数据流进行特征提取;对提取的特征数据进行缓存处理,获得状态时序数据。在上述的实现过程中,通过获取待检测电机的状态数据流;对状态数据流进行特征提取;对提取的特征数据进行缓存处理,获得状态时序数据;有效地将实时采集且无穷无尽的状态数据流转换为一定长度的状态时序数据,从而使得状态数据更加容易存储、转发和处理等等,提高了数据处理的方便性和易用性。
可选地,在本申请实施例中,状态时序数据包括:目标变量序列和协变量序列;将状态时序数据转换为待检测目标状态和上下文序列,包括:将目标变量序列分割为待检测目标状态和历史目标状态序列;根据历史目标状态序列和协变量序列生成上下文序列。在上述的实现过程中,通过将目标变量序列分割为待检测目标状态和历史目标状态序列;根据历史目标状态序列和协变量序列生成上下文序列;从而为建立多维高斯概率分布提供了上下文序列的基础数据,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,编码器是一维卷积神经网络或者长短期记忆网络;使用神经网络模型中的编码器将上下文序列进行编码,包括:使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码。在上述的实现过程中,通过使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码,可以自动提取时间序列中的局部动力学特性信息,从而有效地提高了对电机进行异常检测的精度。
可选地,在本申请实施例中,解码器包括:第一全连接神经网络和第二全连接神经网络;使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵,包括:使用第一全连接神经网络对编码后的一维向量进行解码,获得均值向量;使用第二全连接神经网络对编码后的一维向量进行解码,获得协方差矩阵。
可选地,在本申请实施例中,根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态,包括:计算待检测目标状态在多维高斯概率分布的概率密度的负对数;判断概率密度的负对数是否超出预设阈值;若是,则确定待检测电机处于异常状态;否则,则确定待检测电机不处于异常状态。在上述的实现过程中,通过计算待检测目标状态在多维高斯概率分布的概率密度的负对数;判断概率密度的负对数是否超出预设阈值;若是,则确定待检测电机处于异常状态;否则,则确定待检测电机不处于异常状态;有效地使用了融合上下文序列的多维高斯概率分布对待检测目标状态进行计算来确定电机是否异常,从而避免了仅仅根据待检测目标状态来确定电机是否异常的情况,有效地利用了上下文序列的分布信息,改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,在根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态之后,还包括:若待检测电机处于异常状态,则生成并输出预警信息。在上述的实现过程中,通过在待检测电机处于异常状态时,则生成并输出预警信息;从而有效地提高了输出预警信息的准确率。
本申请实施例还提供了一种电机异常检测装置,包括:数据获取转换模块,用于获取待检测电机的状态时序数据,并将状态时序数据转换为待检测目标状态和上下文序列;编码向量获得模块,用于使用神经网络模型中的编码器将上下文序列进行编码,获得编码后的一维向量;编码向量解码模块,用于使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵;高斯分布建立模块,用于使用神经网络模型中的概率层根据均值向量和协方差矩阵建立多维高斯概率分布;电机异常确定模块,用于根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态。在上述的实现过程中,首先将状态时序数据转换为待检测目标状态和上下文序列,然后对上下文序列进行编码和解码,并根据获得的均值向量和协方差矩阵建立多维高斯概率分布,最后根据待检测目标状态和多维高斯概率分布确定待检测电机是否处于异常状态;也就是说,通过对当前时刻状态的上下文序列状态进行编码、解码和多维高斯概率分布分析后,再确定待检测电机是否处于异常状态,有效地利用了当前时刻状态的上下文序列的分布信息,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,数据获取转换模块,包括:状态数据获取模块,用于获取待检测电机的状态数据流;特征数据获得模块,用于对状态数据流进行特征提取;特征数据缓存模块,用于对提取的特征数据进行缓存处理,获得状态时序数据。在上述的实现过程中,通过获取待检测电机的状态数据流;对状态数据流进行特征提取;对提取的特征数据进行缓存处理,获得状态时序数据;有效地将实时采集且无穷无尽的状态数据流转换为一定长度的状态时序数据,从而使得状态数据更加容易存储、转发和处理等等,提高了数据处理的方便性和易用性。
可选地,在本申请实施例中,状态时序数据包括:目标变量序列和协变量序列;数据获取转换模块,包括:变量序列分割模块,用于将目标变量序列分割为待检测目标状态和历史目标状态序列;互文序列生成模块,用于根据历史目标状态序列和协变量序列生成上下文序列。在上述的实现过程中,通过将目标变量序列分割为待检测目标状态和历史目标状态序列;根据历史目标状态序列和协变量序列生成上下文序列;从而为建立多维高斯概率分布提供了上下文序列的基础数据,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,编码器是一维卷积神经网络或者长短期记忆网络;编码向量获得模块,包括:互文序列编码模块,用于使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码。在上述的实现过程中,通过使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码,可以自动提取时间序列中的局部动力学特性信息,从而有效地提高了对电机进行异常检测的精度。
可选地,在本申请实施例中,解码器包括:第一全连接神经网络和第二全连接神经网络;编码向量解码模块,包括:均值向量获得模块,用于使用第一全连接神经网络对编码后的一维向量进行解码,获得均值向量;协方差矩阵获得模块,用于使用第二全连接神经网络对编码后的一维向量进行解码,获得协方差矩阵。
可选地,在本申请实施例中,电机异常确定模块,包括:负对数值计算模块,用于计算待检测目标状态在多维高斯概率分布的概率密度的负对数;负对数值判断模块,用于判断概率密度的负对数是否超出预设阈值;异常状态确定模块,用于若概率密度的负对数超出预设阈值,则确定待检测电机处于异常状态;异常状态否定模块,用于若概率密度的负对数没有超出预设阈值,则确定待检测电机不处于异常状态。在上述的实现过程中,通过计算待检测目标状态在多维高斯概率分布的概率密度的负对数;判断概率密度的负对数是否超出预设阈值;若是,则确定待检测电机处于异常状态;否则,则确定待检测电机不处于异常状态;有效地使用了融合上下文序列的多维高斯概率分布对待检测目标状态进行计算来确定电机是否异常,从而避免了仅仅根据待检测目标状态来确定电机是否异常的情况,有效地利用了上下文序列的分布信息,改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,电机异常检测装置,还包括:预警生成输出模块,用于若待检测电机处于异常状态,则生成并输出预警信息。在上述的实现过程中,通过在待检测电机处于异常状态时,则生成并输出预警信息;从而有效地提高了输出预警信息的准确率。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出的本申请实施例提供的电机异常检测方法的流程示意图;
图2示出的本申请实施例提供的数据处理过程的示意图;
图3示出的本申请实施例提供的电机异常检测装置的结构示意图;
图4示出的本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。
在介绍本申请实施例提供的电机异常检测方法之前,先介绍本申请实施例中所涉及的一些概念:
时间序列数据(time series data),是在不同时间上收集到的数据,用于所描述现象随时间变化的情况;这类数据通常反映了某一事物、现象等随时间的变化状态或者变化程度。
协变量,是指不为实验者所操纵或控制,但仍影响实验结果的独立变量或者解释变量,具体例如:降雨量(t)=KTt+e;其中,t是自变量时间,降雨量(t)是因变量,而温度T则是协变量,K是一个常数。
长短期记忆(Long Short-Term Memory,LSTM)网络,是一种时间递归神经网络,也是一种循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要特征。
双向长短记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络,是指一种与LSTM类似的神经网络结构,这里的Bi-LSTM模型相比与LSTM模型来说,区别在于不同于LSTM模型隐藏层的单向传播,Bi-LSTM模型包含两个相互独立的隐藏层,这里的两个相互独立的隐藏层就是前向LSTM网络和后向LSTM网络,前向LSTM网络传播方向和后向LSTM网络的传播方向是相反的。
需要说明的是,本申请实施例提供的电机异常检测方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器,设备终端例如:智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personal digitalassistant,PDA)、移动上网设备(mobile Internet device,MID)、网络交换机或网络路由器等。
在介绍本申请实施例提供的电机异常检测方法之前,先介绍该电机异常检测方法适用的应用场景,这里的应用场景包括但不限于:使用该电机异常检测方法预测单个电机或者多个电机构成的矩阵的运行状态是否异常等,或者使用该电机异常检测方法增强电机管理系统或者电机运维系统的功能等等。
请参见图1示出的本申请实施例提供的电机异常检测方法的流程示意图;该电机异常检测方法的主要思路是,首先将状态时序数据转换为待检测目标状态和上下文序列,然后对上下文序列进行编码和解码,并根据获得的均值向量和协方差矩阵建立多维高斯概率分布,最后根据待检测目标状态和多维高斯概率分布确定待检测电机是否处于异常状态;也就是说,通过对当前时刻状态的上下文序列状态进行编码、解码和多维高斯概率分布分析后,再确定待检测电机是否处于异常状态,有效地利用了当前时刻状态的上下文序列的分布信息,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率;上述的电机异常检测方法可以包括:
步骤S110:获取待检测电机的状态时序数据,并将状态时序数据转换为待检测目标状态和上下文序列。
状态时序数据,是指传感器实时采集待检测电机的工作运行状态的时间序列数据,此处的工作运行状态的时间序列数据包括但不限于:采集时刻、三相电流、电机温度和电机震动幅度等等序列数据,状态时序数据可以包括:目标变量序列和协变量序列;此处的目标变量是指需要对其进行建模且表征电机的健康状态的变量,而目标变量序列是指人为可以控制的,且影响电机异常结果的变量序列,具体例如:环境温度和环境湿度等等,然而,协变量序列是指不被人为控制的,但是仍然影响电机异常结果的变量序列,具体例如:一周中的第几天(day of week)和当天的第几小时(hour of day)等等。
待检测目标状态,是指需要被检测的待检测电机的状态数据,此时的状态可能是异常状态,也可能是正常状态。在具体的实践过程中,待检测电机的状态包括但不限于:电机温度、电机震动、链条振动和三相电流等等。
上下文序列,是指在对待检测电机进行实时异常检测时,计算的目标不仅包括当前时刻的电机状态数据,还包括当前时刻之前的电机状态数据;具体例如:现在是10:00:00,检测时的输入不止包括10:00:00这一个时刻的电机状态数据,还包括之前的电机状态数据,具体包括多长的数据取决于预先设置的序列长度,具体的设置过程将在下面进行详细地说明。
上述步骤S110中的获取待检测电机的状态时序数据的实施方式有很多种,包括但不限于如下几种:
第一种实施方式,对待检测电机的状态数据流进行特征提取和缓存处理获得,该实施方式可以包括:
步骤S111:获取待检测电机的状态数据流。
上述步骤S111中的待检测电机的状态数据流的获得方式包括:第一种获得方式,使用传感器实时采集的电机状态数据流,此处的包括设备ID,采集时间,三相电流、电机温度、电机震动幅度或者链条震动幅度等等。第二种获得方式,获取预先采集并存储的状态数据流,具体例如:从文件系统中获取状态数据流,或者从数据库中获取状态数据流,或者从移动存储设备中获取状态数据流等等。
步骤S112:对状态数据流进行特征提取,获得提取后的特征数据。
上述步骤S112的实施方式例如:对状态数据流中的原始数据字段进行变换和组合等特征提取操作,获得新数据字段,并将新数据字段确定为提取后的特征数据;具体例如:将状态数据流中的时间戳字段进行截取、组合和筛选等操作,可以获得一周中的第几天(day of week)或者当天的第几小时(hour of day);又例如:对A相、B相、C相电流求和可以得到三相电流之和等等。可以理解的是,具体需要提取什么特征没有强制性要求,可以根据具体情况进行特征提取,在特征提取后获得的数据字段就可以理解为提取后的特征数据,也就是说,在原来的数据字典上增加了新数据字段,或者用新的数据字段替换了原来的数据字段,那么包括替换后的数据字段的整个数据也可以理解为提取后的特征数据。
步骤S113:对提取后的特征数据进行缓存处理,获得状态时序数据。
请参见图2示出的本申请实施例提供的数据处理过程的示意图;上述步骤S113的实施方式例如:假设使用Zt来表示当前状态的目标变量,并使用Xt来表示当前状态的协变量,那么对每个当前状态的目标变量和协变量进行缓存,即可获得包括目标变量序列和协变量序列的状态时序数据;其中,目标变量序列可以表示为Zt-k、Zt-k+1、……、Zt-1和Zt,协变量序列可以表示为Xt-k、Xt-k+1、……、Xt-1和Xt;此处两个序列的下标均代表该数据变量的采集时刻,两个序列的长度均为K+1,序列的长度可以根据具体情况进行设置,可以是一天或多天等等。
第二种实施方式,直接从其它终端设备或者存储介质中获取预先存储的状态时序数据,该状态时序数据是已经采集、特征提取和缓存处理获得的;具体例如:从移动存储设备中获取状态时序数据,或者使用浏览器等软件获取互联网上的状态时序数据,或者使用其它应用程序访问互联网获得状态时序数据。
上述步骤S110中的将状态时序数据转换为待检测目标状态和上下文序列的实施方式可以包括:
步骤S114:将目标变量序列分割为待检测目标状态和历史目标状态序列。
上述步骤S114的实施方式例如:假设目标变量序列表示为Zt-k、Zt-k+1、……、Zt-1和Zt,那么从目标变量序列分割出的待检测目标状态表示为Zt,且从目标变量序列分割出的历史目标状态序列表示为Zt-k、Zt-k+1、……、Zt-1。
步骤S115:根据历史目标状态序列和协变量序列生成上下文序列。
上述步骤S115的实施方式例如:假设历史目标状态序列表示为Zt-k、Zt-k+1、……、Zt-1,协变量序列表示为Xt-k、Xt-k+1、……、Xt-1和Xt;那么可以将上一时刻的协变量和当前时刻的目标变量进行关联映射,具体例如:将目标变量Zt-k与协变量Xt-k+1进行关联映射,将目标变量Zt-k+1与协变量Xt-k+2进行关联映射,……,一直到将目标变量Zt-1与协变量Xt进行关联映射,即可获得上下文序列。
在步骤S110之后,执行步骤S120:使用神经网络模型中的编码器将上下文序列进行编码,获得编码后的一维向量。
上述步骤S120的实施方式例如:使用神经网络模型中的编码器,将上下文序列{Zt-k:t-1,Xt-k+1:t}进行编码,获得编码后的一维向量,此处的一维向量可以表示为Encoded。在上述的实现过程中,通过使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码,可以自动提取时间序列中的局部动力学特性信息,从而有效地提高了对电机进行异常检测的精度;其中,上述神经网络模型中的编码器可以采用一维卷积神经网络、长短期记忆网络(LSTM)或者双向长短记忆(Bi-LSTM)网络等等自回归递归网络(AutoregressiveRecurrent Network)。
在步骤S120之后,执行步骤S130:使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵。
其中,上述神经网络模型中的解码器可以包括两个全连接神经网络,使用神经网络模型中的解码器对电机状态进行多维高斯分布建模,该解码器的输出为多维高斯分布的均值向量和协方差矩阵。
上述步骤S130的实施方式包括:使用第一全连接神经网络和第二全连接神经网络构成的解码器分别对一维向量进行解码,从而获得均值向量和协方差矩阵,具体例如:使用第一全连接神经网络对编码后的一维向量进行解码,获得均值向量;使用第二全连接神经网络对编码后的一维向量进行解码,获得协方差矩阵;其中,均值向量可以表示为miu,协方差矩阵可以表示为covariance。
在步骤S130之后,执行步骤S140:使用神经网络模型中的概率层根据均值向量和协方差矩阵建立多维高斯概率分布。
上述步骤S140的实施方式可以包括:以均值向量miu为位置参数μ,以协方差矩阵covariance为尺度参数σ,使用神经网络模型中的概率层建立多维高斯概率分布,此处的多维高斯概率分布可以使用Gaussian表示。
在步骤S140之后,执行步骤S150:根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态。
上述步骤S150的实施方式可以包括:
步骤S151:计算待检测目标状态在多维高斯概率分布的概率密度的负对数。
上述步骤S151的实施方式例如:将待检测目标状态Zt代入多维高斯概率分布进行计算,即可获得待检测目标状态在多维高斯概率分布的概率密度的负对数,此处的概率密度的负对数可以使用P来表示;其中,高斯概率分布又被简称为高斯分布(Gaussiandistribution),具体例如:若随机变量X服从一个数学期望为μ、方差为σ2的正态分布,记为N(μ,σ2)。其概率密度函数为高斯分布的期望值μ决定了其位置,其标准差σ决定了高斯分布的幅度或者尺度,因此,μ又被称为高斯概率分布的位置参数,σ又被称为尺度参数。
步骤S152:根据概率密度的负对数确定待检测电机是否处于异常状态。
上述步骤S152的实施方式例如:假设概率密度的负对数表示为P,预设阈值表示为T,那么可以判断概率密度的负对数P是否超出预设阈值T;若概率密度的负对数超出预设阈值,即若P>T,则确定待检测电机处于异常状态;若概率密度的负对数没有超出预设阈值,即若P≤T,则确定待检测电机不处于异常状态;其中,此处的预设阈值可以根据具体情况进行设置,例如:将预设阈值设置为70%、80%或者90%等等。
在上述的实现过程中,首先将状态时序数据转换为待检测目标状态和上下文序列,然后对上下文序列进行编码和解码,并根据获得的均值向量和协方差矩阵建立多维高斯概率分布,最后根据待检测目标状态和多维高斯概率分布确定待检测电机是否处于异常状态;也就是说,通过这种方式对状态时序数据进行条件概率建模,获得的模型可以表示为p(Zt|Zt-k:t-1,Xt-k+1:t),其中,Z代表需要建模的目标变量,X代表协变量,下标代表该数据的采集时刻;换句话说,通过对当前时刻状态的上下文序列状态进行编码、解码和多维高斯概率分布分析后,再确定待检测电机是否处于异常状态,有效地利用了当前时刻状态的上下文序列的分布信息,从而改善难以识别电机的局部异常的问题,提高了对电机进行异常检测的准确率。
可选地,在本申请实施例中,在根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态之后,还可以生成并输出异常的预警信息;也就是说,在步骤S150之后,还可以包括:
步骤S160:若待检测电机未处于异常状态,则继续根据待检测电机的状态时序数据对待检测电机进行异常检测。
步骤S170:若待检测电机处于异常状态,则生成并输出预警信息。
上述步骤S160至步骤S170的实施方式例如:若待检测电机未处于异常状态,则继续根据待检测电机的状态时序数据对待检测电机进行异常检测;若待检测电机处于异常状态,则生成该异常状态电机的标识信息、名称、型号、安装位置等等信息,并在二维地图或者三维地图上输出该异常状态电机的安装位置和影响范围等等预警信息,以提醒电机维护人员及时处理预警信息。在上述的实现过程中,通过在待检测电机处于异常状态时,则生成并输出预警信息;从而有效地提高了输出预警信息的准确率。
请参见图3示出的本申请实施例提供的电机异常检测装置的结构示意图;本申请实施例提供了一种电机异常检测装置200,包括:
数据获取转换模块210,用于获取待检测电机的状态时序数据,并将状态时序数据转换为待检测目标状态和上下文序列。
编码向量获得模块220,用于使用神经网络模型中的编码器将上下文序列进行编码,获得编码后的一维向量。
编码向量解码模块230,用于使用神经网络模型中的解码器将编码后的一维向量进行解码,获得均值向量和协方差矩阵。
高斯分布建立模块240,用于使用神经网络模型中的概率层根据均值向量和协方差矩阵建立多维高斯概率分布。
电机异常确定模块250,用于根据多维高斯概率分布和待检测目标状态确定待检测电机是否处于异常状态。
可选地,在本申请实施例中,数据获取转换模块,包括:
状态数据获取模块,用于获取待检测电机的状态数据流。
特征数据获得模块,用于对状态数据流进行特征提取。
特征数据缓存模块,用于对提取的特征数据进行缓存处理,获得状态时序数据。
可选地,在本申请实施例中,状态时序数据包括:目标变量序列和协变量序列;数据获取转换模块,包括:
变量序列分割模块,用于将目标变量序列分割为待检测目标状态和历史目标状态序列。
互文序列生成模块,用于根据历史目标状态序列和协变量序列生成上下文序列。
可选地,在本申请实施例中,编码器是一维卷积神经网络或者长短期记忆网络;编码向量获得模块,包括:
互文序列编码模块,用于使用一维卷积神经网络或者长短期记忆网络将上下文序列进行编码。
可选地,在本申请实施例中,解码器包括:第一全连接神经网络和第二全连接神经网络;编码向量解码模块,包括:
均值向量获得模块,用于使用第一全连接神经网络对编码后的一维向量进行解码,获得均值向量。
协方差矩阵获得模块,用于使用第二全连接神经网络对编码后的一维向量进行解码,获得协方差矩阵。
可选地,在本申请实施例中,电机异常确定模块,包括:
负对数值计算模块,用于计算待检测目标状态在多维高斯概率分布的概率密度的负对数。
负对数值判断模块,用于判断概率密度的负对数是否超出预设阈值。
异常状态确定模块,用于若概率密度的负对数超出预设阈值,则确定待检测电机处于异常状态。
异常状态否定模块,用于若概率密度的负对数没有超出预设阈值,则确定待检测电机不处于异常状态。
可选地,在本申请实施例中,电机异常检测装置,还包括:
预警生成输出模块,用于若待检测电机处于异常状态,则生成并输出预警信息。
应理解的是,该装置与上述的电机异常检测方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
请参见图4示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备300,包括:处理器310和存储器320,存储器320存储有处理器310可执行的机器可读指令,机器可读指令被处理器310执行时执行如上的方法。
本申请实施例还提供了一种存储介质330,该存储介质330上存储有计算机程序,该计算机程序被处理器310运行时执行如上的方法。
其中,存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这主要根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以使用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例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申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (8)
1.一种电机异常检测方法,其特征在于,包括:
获取待检测电机的状态时序数据,并将所述状态时序数据转换为待检测目标状态和上下文序列;
使用神经网络模型中的编码器将所述上下文序列进行编码,获得编码后的一维向量;
使用所述神经网络模型中的解码器将所述编码后的一维向量进行解码,获得均值向量和协方差矩阵;
使用所述神经网络模型中的概率层根据所述均值向量和所述协方差矩阵建立多维高斯概率分布;
根据所述多维高斯概率分布和所述待检测目标状态确定所述待检测电机是否处于异常状态;
其中,所述编码器是一维卷积神经网络或者长短期记忆网络,所述解码器包括:第一全连接神经网络和第二全连接神经网络;所述使用神经网络模型中的编码器将所述上下文序列进行编码,包括:使用所述一维卷积神经网络或者所述长短期记忆网络将所述上下文序列进行编码;
所述使用所述神经网络模型中的解码器将所述编码后的一维向量进行解码,获得均值向量和协方差矩阵,包括:使用所述第一全连接神经网络对所述编码后的一维向量进行解码,获得所述均值向量;使用所述第二全连接神经网络对所述编码后的一维向量进行解码,获得所述协方差矩阵。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测电机的状态时序数据,包括:
获取所述待检测电机的状态数据流;
对所述状态数据流进行特征提取;
对提取的特征数据进行缓存处理,获得所述状态时序数据。
3.根据权利要求1所述的方法,其特征在于,所述状态时序数据包括:目标变量序列和协变量序列;所述将所述状态时序数据转换为待检测目标状态和上下文序列,包括:
将所述目标变量序列分割为所述待检测目标状态和历史目标状态序列;
根据所述历史目标状态序列和所述协变量序列生成所述上下文序列。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多维高斯概率分布和所述待检测目标状态确定所述待检测电机是否处于异常状态,包括:
计算所述待检测目标状态在所述多维高斯概率分布的概率密度的负对数;
判断所述概率密度的负对数是否超出预设阈值;
若是,则确定所述待检测电机处于异常状态;
否则,则确定所述待检测电机不处于异常状态。
5.根据权利要求1-4任一所述的方法,其特征在于,在所述根据所述多维高斯概率分布和所述待检测目标状态确定所述待检测电机是否处于异常状态之后,还包括:
若所述待检测电机处于异常状态,则生成并输出预警信息。
6.一种电机异常检测装置,其特征在于,包括:
数据获取转换模块,用于获取待检测电机的状态时序数据,并将所述状态时序数据转换为待检测目标状态和上下文序列;
编码向量获得模块,用于使用神经网络模型中的编码器将所述上下文序列进行编码,获得编码后的一维向量;
编码向量解码模块,用于使用所述神经网络模型中的解码器将所述编码后的一维向量进行解码,获得均值向量和协方差矩阵;
高斯分布建立模块,用于使用所述神经网络模型中的概率层根据所述均值向量和所述协方差矩阵建立多维高斯概率分布;
电机异常确定模块,用于根据所述多维高斯概率分布和所述待检测目标状态确定所述待检测电机是否处于异常状态;
其中,所述编码器是一维卷积神经网络或者长短期记忆网络,所述解码器包括:第一全连接神经网络和第二全连接神经网络;所述使用神经网络模型中的编码器将所述上下文序列进行编码,包括:使用所述一维卷积神经网络或者所述长短期记忆网络将所述上下文序列进行编码;
所述使用所述神经网络模型中的解码器将所述编码后的一维向量进行解码,获得均值向量和协方差矩阵,包括:使用所述第一全连接神经网络对所述编码后的一维向量进行解码,获得所述均值向量;使用所述第二全连接神经网络对所述编码后的一维向量进行解码,获得所述协方差矩阵。
7.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的方法。
8.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342887.4A CN112462261B (zh) | 2020-11-25 | 2020-11-25 | 一种电机异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011342887.4A CN112462261B (zh) | 2020-11-25 | 2020-11-25 | 一种电机异常检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112462261A CN112462261A (zh) | 2021-03-09 |
CN112462261B true CN112462261B (zh) | 2022-09-20 |
Family
ID=74809670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011342887.4A Active CN112462261B (zh) | 2020-11-25 | 2020-11-25 | 一种电机异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112462261B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469300B (zh) * | 2021-09-06 | 2021-12-07 | 北京航空航天大学杭州创新研究院 | 设备状态检测方法及相关装置 |
CN114692767B (zh) * | 2022-03-31 | 2024-01-19 | 中国电信股份有限公司 | 异常检测方法和装置、计算机可读存储介质、电子设备 |
JP7457752B2 (ja) | 2022-06-15 | 2024-03-28 | 株式会社安川電機 | データ分析システム、データ分析方法、及びプログラム |
CN116520236B (zh) * | 2023-06-30 | 2023-09-22 | 清华大学 | 一种智能电表的异常检测方法和系统 |
-
2020
- 2020-11-25 CN CN202011342887.4A patent/CN112462261B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112462261A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112462261B (zh) | 一种电机异常检测方法、装置、电子设备及存储介质 | |
CN112131272B (zh) | 多元kpi时间序列的检测方法、装置、设备及存储介质 | |
CN109086873B (zh) | 递归神经网络的训练方法、识别方法、装置及处理设备 | |
CN113328755B (zh) | 一种面向边缘计算的压缩数据传输方法 | |
CN112307883B (zh) | 训练方法、装置、电子设备以及计算机可读存储介质 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN114140831B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN108632630B (zh) | 一种结合位运算和概率预测的二值图像编码方法 | |
CN111651674B (zh) | 双向搜索方法、装置及电子设备 | |
CN114970717A (zh) | 时序数据异常检测方法、电子设备及计算机存储介质 | |
CN116933124A (zh) | 时间序列数据预测方法、装置、设备及存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN112802034B (zh) | 图像分割、识别方法、模型构建方法、装置及电子设备 | |
CN112200194A (zh) | 一种公式识别方法、装置、电子设备及存储介质 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN113989569B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116257885A (zh) | 基于联邦学习的隐私数据通信方法、系统和计算机设备 | |
CN116416131A (zh) | 目标对象预测方法及装置 | |
US20220327335A1 (en) | Controlling asynchronous fusion of spatio-temporal multimodal data | |
CN114925808A (zh) | 一种基于云网端资源中不完整时间序列的异常检测方法 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN116882538B (zh) | 一种海洋环境预测模型的训练方法及相关装置 | |
US20240211732A1 (en) | Multivariate time series forecaster using deep learning | |
CN117332377B (zh) | 一种基于深度学习的离散时间序列事件挖掘方法及系统 | |
CN116469013B (zh) | 道路积水预测方法、装置、计算机设备及存储介质 |
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 |