CN112629905A - 基于深度学习的设备异常检测方法、系统及计算机介质 - Google Patents
基于深度学习的设备异常检测方法、系统及计算机介质 Download PDFInfo
- Publication number
- CN112629905A CN112629905A CN202011526314.7A CN202011526314A CN112629905A CN 112629905 A CN112629905 A CN 112629905A CN 202011526314 A CN202011526314 A CN 202011526314A CN 112629905 A CN112629905 A CN 112629905A
- Authority
- CN
- China
- Prior art keywords
- value
- acceleration
- detection
- detected
- current
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 224
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 230000001133 acceleration Effects 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 48
- 230000005856 abnormality Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000011521 glass Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Acoustics & Sound (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种基于深度学习的设备异常检测方法、系统及计算机介质,获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;将加速度检测值集合输入异常检测网络模型进行训练,得到训练后的异常检测网络模型;输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态。
Description
技术领域
本申请属于设备检测技术领域,具体地,涉及一种基于深度学习的设备异常检测方法、系统及计算机介质。
背景技术
目前,异常检测技术被广泛应用到各个应用领域之中,包括工业设备检查、大楼玻璃幕墙维护等。具体应用场景包括:1)风电行业:基于风机的机理结构,结合风场运营实际需求,通过对风机的振动检测以及风叶的异常监测,提供风场运营实时监控、在保证风机安全可靠运行的前提下,最大限度提升风机效能,优化风场运营维护效率。2)机械制造行业:轴承是机械制造行业的关键部分。在运转中倘若发生破损等故障,会导致机械设备的停机或者功能受损等各种障碍。通过异常振动检测算法可实时监测轴承的运转状态,及时发现预警并针对故障进行分类检测。3)港口行业:港口中的岸吊、起重机、龙门吊、牵引机等长期在室外不间断运行,需及时掌握设备健康状态。基于异常振动检测算法的预测性维护系统可预测设备早期故障、提前制定检修计划,大大节约维修成本、保证产品质量、设备人员安全。4)自动驾驶行业:利用异常检测算法可检测自动驾驶车的发动机是否异常等;5)玻璃幕墙检测:目前玻璃幕墙作为现代建筑的主流外墙形式之一,其安全性尤其重要,特别是高层建筑,利用异常振动检测算法可及时检测玻璃幕墙是否异常,避免发生危险事件。
目前异常检测技术一般包含基于规则、基于统计等方法。其中,基于规则的异常检测受限于专家知识,规则库可能不完善,且规则库需要经常更新,否则无法发现新的异常种类。而基于统计的异常检测技术对假设依赖比较严重,造成检测结果的严重失真。
因此,亟需一种针对设备异常进行检测的方法,可以准确、及时检测出被测设备的异常状态。
发明内容
本发明提出了一种基于深度学习的设备异常检测方法、系统及计算机介质,旨在解决目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
根据本申请实施例的第一个方面,提供了一种基于深度学习的设备异常检测方法,具体包括以下步骤:
获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;
将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;
将当前加速度检测值输入至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;
根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
本申请一些实施方式中,异常检测网络模型包括长短期记忆人工神经网络层以及全连接层。
本申请一些实施方式中,根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
当差值大于阈值时,判定被检测设备处于异常状态;
当差值小于或等于阈值时,判定被检测设备处于正常状态。
本申请一些实施方式中,根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将差值进行归一化校正后,得到矫正差值;
将矫正差值与阈值进行比较,判断被检测设备状态。
本申请一些实施方式中,根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将差值进行指数滑动平均后,得到平均差值;
将平均差值与阈值进行比较,判断被检测设备状态。
本申请一些实施方式中,根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将矫正差值进行指数滑动平均后,得到平均矫正差值;
将平均矫正差值与阈值进行比较,判断被检测设备状态。
本申请一些实施方式中,将差值进行归一化校正后,得到矫正差值,矫正差值θ的具体计算公式为:
其中,Cv为历史的加速度预测值,Av为历史的加速度检测值,n为检测次数;
其中,β为0.1至0.4之间数值,t为当前检测时间,t-1为上一检测时间,θt为当前时间的矫正差值。
根据本申请实施例的第二个方面,提供了一种基于深度学习的设备异常检测系统,具体包括:
加速度检测模块:用于获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;
模型训练模块:用于将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;
加速度预测模块:用于将当前加速度检测值输入至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;
设备异常检测模块:用于根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
根据本申请实施例的第三个方面,提供了一种基于深度学习的设备异常检测设备,包括:
存储器:用于存储可执行指令;以及
处理器:用于与存储器连接以执行可执行指令从而完成基于深度学习的设备异常检测方法。
根据本申请实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现基于深度学习的设备异常检测方法。
采用本申请实施例中的基于深度学习的设备异常检测方法、系统及计算机介质,获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;将当前加速度检测值输入至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态。解决了目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1中示出了根据本申请实施例的基于深度学习的设备异常检测方法的步骤示意图;
图2中示出了根据本申请实施例的基于深度学习的设备异常检测方法的流程示意图;
图3中示出了根据本申请实施例的设备异常检测模型的结构示意图;
图4中示出了根据本申请实施例的基于深度学习的设备异常检测系统的结构示意图;
图5中示出了根据本申请实施例的基于深度学习的设备异常检测设备的结构示意图。
具体实施方式
在实现本申请的过程中,发明人发现异常检测技术被广泛应用到各个应用领域之中,包括工业设备检查、大楼玻璃幕墙维护等,目前异常检测技术中,基于规则的异常检测受限于专家知识,规则库可能不完善,且规则库需要经常更新,否则无法发现新的异常种类。而基于统计的异常检测技术对假设依赖比较严重,造成检测结果的严重失真。
基于此,本发明的基于深度学习的设备异常检测方法、系统及计算机介质,获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;根据当前加速度检测值以及当前加速度预测序列之间的差值,判断被检测设备的状态。
本申请的设备异常检测方案以深度学习的长短期记忆网络LSTM(Long-ShortTerm Memory)模型为核心,在设备边缘端收集正常运行数据进行无监督在线训练,在物联网端在线下载参数,实时处理数据,发现并汇报异常。本申请采用无监督学习,无需人为干涉可自主训练并预测异常,及时发现并报警。
本申请的设备异常检测模型可以实现的吞吐量达5000数据点每秒,数据处理速度快,准确率高。且本申请的基于深度学习的设备异常检测方法、系统及计算机介质可应用于多种场景,例如风电行业对风机、风叶设备的检测,例如机械制造行业轴承等关键部件的检测,例如自动驾驶车的发动机检测,还比如建筑行业中玻璃幕墙的异常检测。
本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态,解决了目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。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组合。
实施例1
图1中示出了根据本申请实施例的基于深度学习的设备异常检测方法的步骤示意图。图2中示出了根据本申请实施例的基于深度学习的设备异常检测方法的流程示意图。
如图1所示,本申请实施例的基于深度学习的设备异常检测方法,具体包括以下步骤:
S101:获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合。
S102:将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型。
其中,异常检测网络模型包括长短期记忆人工神经网络层以及全连接层。
如图2所示,本实施例中,具体包括2个长短期记忆人工神经网络层以及一个全连接层。
S103:输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值。
S104:根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
具体的,
当差值大于阈值时,判定被检测设备处于异常状态;当差值小于或等于阈值时,判定被检测设备处于正常状态。
其中,差值阈值为被检测设备在正常状态下计算得到的正常差值,阈值可提前进行标定。
由于实际值和模型计算值之间的差值可能会因为外界系统扰动产生误差,所以在判断时本申请实施例对数据进行归一化校正,此时,将当前一段时间内的加速度检测值,顺序输入训练后的异常检测网络模型,得到加速度预测值序列,进而得到多个差值,具体后续步骤为:
将差值进行归一化校正后,得到矫正差值;将矫正差值与阈值进行比较,判断被检测设备状态。
另一实施方式中,为了提高被检测设备状态的检测准确性,在判断时本申请实施例采用一段时间内的数据进行指数滑动平均,此时,也需要将当前一段时间内的加速度检测值,顺序输入训练后的异常检测网络模型,得到加速度预测值序列,进而得到多个差值,具体后续步骤为:
将差值进行指数滑动平均后,得到平均差值;将平均差值与阈值进行比较,判断被检测设备状态。
另一实施方式中,本申请采用一段时间内的数据同时进行归一化校正以及指数滑动平均,具体步骤为:
将矫正差值进行指数滑动平均后,得到平均矫正差值;将平均矫正差值与阈值进行比较,判断被检测设备状态。
作为最优选的实施方式,具体说明本申请设备异常检测方法,具体的如下:
首先,在边缘端设备的主要振动方向安装加速度传感器。如果被检测设备为转子类设备,使加速度传感器获取到与转子运动方向相切方向的加速度。
本实施例中记录大约2500个时间点,并根据实际设备振动的最大值,将加速度量归一化到[-4~4]的区间。
其次,先对数据集进行预处理,将数据按时间顺序分割成25份,将分割后数据的前20个作为训练集,后5个作为标签集。
图3中示出了根据本申请实施例的设备异常检测模型的结构示意图。
如图3所示,输入处理后的数据集合X至模型进行训练。设备异常检测模型由2个长短期记忆人工神经网络层LSTM以及一个全连接层FC构成,得到输出数据序列Y。
训练过程中,设置优化器为Adam,学习率0.01,权重衰减0.005;训练过程中等待损失函数的数值降至0.003时停止训练,并保存原始模型权重。具体的模型训练过程为现有的神经网络训练过程,此处不再赘述。
其中,对原始模型进行16bit量化处理,即将浮点量转为16bit定点,量化系数为2的整数幂,选取部分训练集对量化模型进行量化后训练,提升了设备异常检测模型的检测精度。
然后,将实时检测的加速度检测值顺序输入至训练后的模型,得到加速度预测序列值。
最后,由于实际值和模型计算值之间的差值可能会因为外界系统扰动产生误差,所以在判断时要对数据进行归一化矫正以及指数滑动平均处理。
1)将差值进行归一化校正后,得到矫正差值,矫正差值θ的具体计算公式为:
其中,Cv为历史的加速度预测值,Av为历史的加速度检测值,n为检测次数;
其中,β为0.1至0.4之间数值,t为当前检测时间,t-1为上一检测时间,θt为当前时间的矫正差值。
3)本申请将将平均矫正差值作为被检测设备的健康值,将健康值与阈值进行比较,判断被检测设备状态。
具体的,本申请设定阈值为1,当健康值超过1时,认为当前设备为异常状态,低于1时,认为当前设备为正常状态。
本申请实施例的基于深度学习的设备异常检测方法,获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
本申请的设备异常检测方案以深度学习的长短期记忆网络LSTM(Long-ShortTerm Memory)模型为核心,在设备边缘端收集正常运行数据进行无监督在线训练,在物联网端在线下载参数,实时处理数据,发现并汇报异常。本申请采用无监督学习,无需人为干涉可自主训练并预测异常,及时发现并报警。
本申请的设备异常检测模型可以实现的吞吐量达5000数据点每秒,数据处理速度快,准确率高。且本申请的基于深度学习的设备异常检测方法、系统及计算机介质可应用于多种场景,例如风电行业对风机、风叶设备的检测,例如机械制造行业轴承等关键部件的检测,例如自动驾驶车的发动机检测,还比如建筑行业中玻璃幕墙的异常检测。
本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态,解决了目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
实施例2
本实施例提供了一种基于深度学习的设备异常检测系统,对于本实施例的基于深度学习的设备异常检测系统中未披露的细节,请参照其它实施例中的基于深度学习的设备异常检测方法的具体实施内容。
图4中示出了根据本申请实施例的基于深度学习的设备异常检测系统的结构示意图。
如图4所示,本申请实施例的基于深度学习的设备异常检测系统,具体包括加速度检测模块10、模型训练模块20、加速度预测模块30以及设备异常检测模块40。
加速度检测模块10:用于获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合。
模型训练模块20:用于将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型。
其中,异常检测网络模型包括长短期记忆人工神经网络层以及全连接层。
如图2所示,本实施例中,具体包括2个长短期记忆人工神经网络层以及一个全连接层。
加速度预测模块30:用于输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值。
设备异常检测模块40:用于根据当前加速度检测值以及当前加速度预测序列之间的差值,判断被检测设备的状态。
具体的,
当差值大于阈值时,判定被检测设备处于异常状态;当差值小于或等于阈值时,判定被检测设备处于正常状态。
其中,差值阈值为被检测设备在正常状态下计算得到的正常差值,阈值可提前进行标定。
由于实际值和模型计算值之间的差值可能会因为外界系统扰动产生误差,所以在判断时本申请实施例对数据进行归一化校正,此时,将当前一段时间内的加速度检测值,顺序输入训练后的异常检测网络模型,得到加速度预测值序列,进而得到多个差值,具体后续步骤为:
将差值进行归一化校正后,得到矫正差值;将矫正差值与阈值进行比较,判断被检测设备状态。
另一实施方式中,为了提高被检测设备状态的检测准确性,在判断时本申请实施例采用一段时间内的数据进行指数滑动平均,此时,也需要将当前一段时间内的加速度检测值,顺序输入训练后的异常检测网络模型,得到加速度预测值序列,进而得到多个差值,具体后续步骤为:
将差值进行指数滑动平均后,得到平均差值;将平均差值与阈值进行比较,判断被检测设备状态。
另一实施方式中,本申请采用一段时间内的数据同时进行归一化校正以及指数滑动平均,具体步骤为:
将矫正差值进行指数滑动平均后,得到平均矫正差值;将平均矫正差值与阈值进行比较,判断被检测设备状态。
由于实际值和模型计算值之间的差值可能会因为外界系统扰动产生误差,所以在判断时要对数据进行归一化矫正以及指数滑动平均处理。
1)将差值进行归一化校正后,得到矫正差值,矫正差值θ的具体计算公式为:
其中,Cv为历史的加速度预测值,Av为历史的加速度检测值,n为检测次数;
其中,β为0.1至0.4之间数值,t为当前检测时间,t-1为上一检测时间,θt为当前时间的矫正差值。
3)本申请将将平均矫正差值作为被检测设备的健康值,将健康值与阈值进行比较,判断被检测设备状态。
具体的,本申请设定阈值为1,当健康值超过1时,认为当前设备为异常状态,低于1时,认为当前设备为正常状态。
本申请实施例的基于深度学习的设备异常检测系统,加速度检测模块10获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;模型训练模块20将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;加速度预测模块30输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;设备异常检测模块40根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
本申请的设备异常检测方案以深度学习的长短期记忆网络LSTM(Long-ShortTerm Memory)模型为核心,在设备边缘端收集正常运行数据进行无监督在线训练,在物联网端在线下载参数,实时处理数据,发现并汇报异常。本申请采用无监督学习,无需人为干涉可自主训练并预测异常,及时发现并报警。
本申请的设备异常检测模型可以实现的吞吐量达5000数据点每秒,数据处理速度快,准确率高。且本申请的基于深度学习的设备异常检测方法、系统及计算机介质可应用于多种场景,例如风电行业对风机、风叶设备的检测,例如机械制造行业轴承等关键部件的检测,例如自动驾驶车的发动机检测,还比如建筑行业中玻璃幕墙的异常检测。
本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态,解决了目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
实施例3
本实施例提供了一种基于深度学习的设备异常检测设备,对于本实施例的基于深度学习的设备异常检测设备中未披露的细节,请参照其它实施例中的基于深度学习的设备异常检测方法或系统具体的实施内容。
图5中示出了根据本申请实施例的基于深度学习的设备异常检测设备400的结构示意图。
如图5所示,设备异常检测设备400,包括:
存储器402:用于存储可执行指令;以及
处理器401:用于与存储器402连接以执行可执行指令从而完成运动矢量预测方法。
本领域技术人员可以理解,示意图5仅仅是设备异常检测设备400的示例,并不构成对设备异常检测设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如设备异常检测设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器401也可以是任何常规的处理器等,处理器401是设备异常检测设备400的控制中心,利用各种接口和线路连接整个设备异常检测设备400的各个部分。
存储器402可用于存储计算机可读指令,处理器401通过运行或执行存储在存储器402内的计算机可读指令或模块,以及调用存储在存储器402内的数据,实现设备异常检测设备400的各种功能。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据设备异常检测设备400使用所创建的数据等。此外,存储器402可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)或其他非易失性/易失性存储器件。
设备异常检测设备400集成的模块如果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。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序;计算机程序被处理器执行以实现其他实施例中的基于深度学习的设备异常检测方法。
本申请实施例中的基于深度学习的设备异常检测设备及计算机存储介质,获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;将加速度检测值集合输入至异常检测网络模型进行训练,得到训练后的异常检测网络模型;输入当前加速度检测值至训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;根据当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
本申请的设备异常检测方案以深度学习的长短期记忆网络LSTM(Long-ShortTerm Memory)模型为核心,在设备边缘端收集正常运行数据进行无监督在线训练,在物联网端在线下载参数,实时处理数据,发现并汇报异常。本申请采用无监督学习,无需人为干涉可自主训练并预测异常,及时发现并报警。
本申请的设备异常检测模型数据处理速度快,准确率高。且本申请的基于深度学习的设备异常检测方法、系统及计算机介质可应用于多种场景,例如风电行业对风机、风叶设备的检测,例如机械制造行业轴承等关键部件的检测,例如自动驾驶车的发动机检测,还比如建筑行业中玻璃幕墙的异常检测。
本申请通过实时检测被检测设备的边缘加速度数值,可以准确、及时检测出被测设备的异常状态,解决了目前设备异常的检测技术,受限于专家知识,不能及时准确发现设备异常的问题。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的设备异常检测方法,包括以下步骤:
获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;
将所述加速度检测值集合输入异常检测网络模型进行训练,得到训练后的异常检测网络模型;
将当前加速度检测值输入所述训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;
根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
2.根据权利要求1所述的设备异常检测方法,其特征在于,所述异常检测网络模型包括长短期记忆人工神经网络层以及全连接层。
3.根据权利要求1所述的设备异常检测方法,其特征在于,所述根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
当所述差值大于阈值时,判定被检测设备处于异常状态;
当所述差值小于或等于阈值时,判定被检测设备处于正常状态。
4.根据权利要求1所述的设备异常检测方法,其特征在于,所述根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将所述差值进行归一化校正后,得到矫正差值;
将所述矫正差值与阈值进行比较,判断被检测设备状态。
5.根据权利要求1所述的设备异常检测方法,其特征在于,所述根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将所述差值进行指数滑动平均后,得到平均差值;
将所述平均差值与阈值进行比较,判断被检测设备状态。
6.根据权利要求4所述的设备异常检测方法,其特征在于,所述根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备状态,具体包括:
将所述矫正差值进行指数滑动平均后,得到平均矫正差值;
将所述平均矫正差值与阈值进行比较,判断被检测设备状态。
8.一种基于深度学习的设备异常检测系统,其特征在于,具体包括:
加速度检测模块:用于获取被检测设备边缘一段时间内的加速度检测值,得到加速度检测值集合;
模型训练模块:用于将所述加速度检测值集合输入异常检测网络模型进行训练,得到训练后的异常检测网络模型;
加速度预测模块:用于将当前加速度检测值输入所述训练后的异常检测网络模型进行加速度预测,得到当前加速度预测值;
设备异常检测模块:用于根据所述当前加速度检测值以及当前加速度预测值之间的差值,判断被检测设备的状态。
9.一种基于深度学习的设备异常检测设备,其特征在于,包括:
存储器:用于存储可执行指令;以及
处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的基于深度学习的设备异常检测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于深度学习的设备异常检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526314.7A CN112629905A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
PCT/CN2021/099729 WO2022134495A1 (zh) | 2020-12-22 | 2021-06-11 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526314.7A CN112629905A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112629905A true CN112629905A (zh) | 2021-04-09 |
Family
ID=75320686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526314.7A Pending CN112629905A (zh) | 2020-12-22 | 2020-12-22 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112629905A (zh) |
WO (1) | WO2022134495A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873074A (zh) * | 2021-09-17 | 2021-12-31 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN116881768A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 数据处理方法、装置、计算机设备和存储介质 |
CN117308775A (zh) * | 2023-08-31 | 2023-12-29 | 成川科技(苏州)有限公司 | 一种用于链条提升机构定位和静止检测方法和系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117368670B (zh) * | 2023-11-07 | 2024-03-26 | 东莞市一丁精密模具组件有限公司 | 一种模具放电特性柔性检测方法及系统 |
CN117314921B (zh) * | 2023-11-30 | 2024-02-09 | 山东道万电气有限公司 | 一种基于rfid的轨道巡检设备的起点检测及处置方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN111766514A (zh) * | 2020-06-19 | 2020-10-13 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析方法 |
CN111781498A (zh) * | 2020-06-19 | 2020-10-16 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析系统 |
CN111929091A (zh) * | 2020-08-17 | 2020-11-13 | 上海明略人工智能(集团)有限公司 | 设备异常的检测方法、装置、可读存储介质及电子设备 |
CN112148768A (zh) * | 2020-09-14 | 2020-12-29 | 北京基调网络股份有限公司 | 一种指标时间序列异常检测方法、系统及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101967339B1 (ko) * | 2018-03-06 | 2019-04-09 | 단국대학교 산학협력단 | 심층학습 기반의 adas 센서 고장 진단 및 백업을 위한 장치 및 방법 |
CN110907066B (zh) * | 2019-11-30 | 2020-11-06 | 华能如东八仙角海上风力发电有限责任公司 | 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法 |
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
-
2020
- 2020-12-22 CN CN202011526314.7A patent/CN112629905A/zh active Pending
-
2021
- 2021-06-11 WO PCT/CN2021/099729 patent/WO2022134495A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
CN111766514A (zh) * | 2020-06-19 | 2020-10-13 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析方法 |
CN111781498A (zh) * | 2020-06-19 | 2020-10-16 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析系统 |
CN111929091A (zh) * | 2020-08-17 | 2020-11-13 | 上海明略人工智能(集团)有限公司 | 设备异常的检测方法、装置、可读存储介质及电子设备 |
CN112148768A (zh) * | 2020-09-14 | 2020-12-29 | 北京基调网络股份有限公司 | 一种指标时间序列异常检测方法、系统及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113873074A (zh) * | 2021-09-17 | 2021-12-31 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN113873074B (zh) * | 2021-09-17 | 2023-09-29 | 杭州逗酷软件科技有限公司 | 一种控制方法、电子设备及计算机存储介质 |
CN116881768A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 数据处理方法、装置、计算机设备和存储介质 |
CN116881768B (zh) * | 2023-06-21 | 2024-03-12 | 清华大学 | 数据处理方法、装置、计算机设备和存储介质 |
CN117308775A (zh) * | 2023-08-31 | 2023-12-29 | 成川科技(苏州)有限公司 | 一种用于链条提升机构定位和静止检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022134495A1 (zh) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN109681391B (zh) | 一种叶根螺栓断裂故障检测方法及介质 | |
CN111191838B (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN114066274A (zh) | 一种设备性能预警的方法及装置 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN109142979B (zh) | 一种配电网异常状态的检测方法及装置 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN114723187A (zh) | 一种智能塔机及智能塔机的故障预测方法、存储介质 | |
CN110765486B (zh) | 一种资产故障识别方法 | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN114060228A (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
CN117469152B (zh) | 流体泵异常检测方法、装置、电子设备和存储介质 | |
CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 | |
CN114755036B (zh) | 磁浮列车悬浮系统的故障检测方法、装置、设备及介质 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 | |
CN113932932B (zh) | 一种温度报警方法、装置以及介质 | |
CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
CN117743900A (zh) | 一种皮带运输状态的确定方法、装置、设备及介质 | |
CN117783795A (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |