CN112697268B - 一种基于t-sne的电机异常检测集成算法 - Google Patents
一种基于t-sne的电机异常检测集成算法 Download PDFInfo
- Publication number
- CN112697268B CN112697268B CN202011409302.6A CN202011409302A CN112697268B CN 112697268 B CN112697268 B CN 112697268B CN 202011409302 A CN202011409302 A CN 202011409302A CN 112697268 B CN112697268 B CN 112697268B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- characteristic
- abnormal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于T‑SNE的电机异常检测集成算法,属于电机异常检测领域。本发明一种基于T‑SNE的电机异常检测集成算法针对旋转设备的振动数据,只采用设备自身的正常样本,通过基于T‑SNE的方法进行对样本进行降维,然后使用离异值检测的方法进行多维度集成化的异常检测,从而建立了一套可以稳定使用的商用异常检测方法。本发明相比于其他发明,训练时只需要设备自身的正常数据即可建模,不需要刻意去采集异常样本。且本发明不需要针对不同的数据提取不同的关键特征或设定不同的阈值,只需要采集少量该设备的正常数据进行分析,从而达到对所有设备的异常检测都有较高的准确率。
Description
技术领域
本发明涉及一种基于T-SNE的电机异常检测集成算法,属于电机异常检测领域。
背景技术
电机的预测性维护是一种新兴的维修方式,它能根据电机的历史状态,预测电机状态未来的发展趋势,使维护人员有充足的时间应对即将发生的问题,减少因电机失效带来的损失。
目前电机的状态监测可以依靠监测电流、电压、磁场、振动、温度、声音等信号,根据之前采集的状态信号建立规则或者模型,当新状态信号被采集时判断电机是否有发生故障的趋势,这一项技术被称为异常检测。
专利“CN109236587B一种用于检测风力发电机异常工作的报警系统”,公布了一种基于声音信号的故障监测方式。首先,对采集的声音信号进行去噪处理;然后,将处理后的声音信号进行多层小波分解,对每层小波进行规定的阈值处理,得到各分解层的估计值;最后,将各层估计值进行小波重构。将重构后的信号提取特征与数据库中的特征进行对比,进行异常判断。这种方法的缺点是准确率对提取的特征要求很高,如果特征提取有误,准确率会大大下降。
专利“CN110705456A一种基于迁移学习的微型电机异常检测方法”,基于振动信号的异常检测方法。该专利主要针对微型直流齿轮减速电机,设计了一套小样本异常检测方法。首先,将采集到的振动信号转化为二维功率谱矩阵;然后,使用在ImageNet上预训练的AlexNet网络对正常数据去进行finetune,从而提高了异常检测的准确率。这种方法使用神经网络自动提取了特征,但是训练出来的网络会受训练样本的影响,无法拥有稳定的泛化性。
目前行业内使用的异常检测方法分为两类。一类是运用所学的信号知识建立物理模型通过阈值对比;另一类使用大规模的神经网络去进行迁移学习。前者的缺点是准确率与提取的特征强相关和所选择的阈值强相关,泛化性的稳定性往往不够。而后者,使用的迁移学习会因为学习的小样本不同或者基于的大样本与工业数据差别太大等原因,所达到的泛化性不能满足商用需求,且训练需要正异常两种样本。
发明内容
本发明的目的是为了解决上述现有技术存在的问题,进而提供一种基于T-SNE的电机异常检测集成算法。
本发明的目的是通过以下技术方案实现的:
一种基于T-SNE的电机异常检测集成算法,所述基于T-SNE的电机异常检测集成算法具体步骤为:
第一步,对所有的正常振动时域信号s1,s2,…,sn及待检测振动信号st进行滤波;
第二步,对滤波得到的信号sf1,sf2,…,sfn,sft做EMD降噪处理;
第三步,对降噪得到的信号e1,e2,…,en,et做傅里叶变换,得到信号变换数据f1,f2,…,fn,ft;
第四步,将待检测振动信号st与正常振动时域信号s1,s2,…,sn进行拼接处理,并定义st为sn+1,求取concatenate后的信号s1,s2,…,sn,sn+1各样本之间的欧式距离矩阵M,M为(n+1)*(n+1)的方阵,其中Mij为si到sj的欧式距离;
第五步,使用T-SNE将数据f1,f2,…,fn维度降至m,则fi可以表示为x1,x2…,xm,其中i∈{1,2,…,n,t};
第六步,利用各样本间的欧式距离对坐标进行修正,对于fi的坐标修正公式为xj*=xj+di*,j∈[1,m],i∈{1,2,…,n,t},其中;
第七步,创建检验结果特征数据r1,r2…,rm,并将ri且ri∈(r1,r2…,rm)的初始值均设置为0,对信号变换数据f1,f2,…,fn的m个特征分别做Kolmogorov-Smirnov检验,对于检验结果为正态分布的特征,对应的特征数据ri=ri+1,反之ri=ri-1。
第八步,对信号变换数据f1,f2,…,fn的m个特征分别做Shapiro-Wilk检验,对于检验结果为正态分布的特征,对应的特征数据为ri=ri+1,反之ri=ri–1;
第九步,对信号变换数据f1,f2,…,fn的m个特征分别做Anderson-Darling检验,对于检验结果为正态分布的特征,对应的特征数据为ri=ri+1,反之ri=ri–1;
第十一步,基于信号变换数据f1,f2,…,fn,对于符合正态分布的特征,分别对信号变换数据ft的相应特征做3*sigma异常检验,对于不符合正态分布的特征,分别对信号变换数据ft的相应特征做1.5*IQR规则异常检验;
第十二步,创建分布异常检验标记数据l1,l2…,lm,并将li且li∈(l1,l2…,lm)的初始值均设置为1,对于第十一步中的检验结果为异常特征i,对应的分布异常检验标记数据li=0,反之li=1,如果∏li=1且li∈(l1,l2…,lm),则待检测振动信号不存在异常情况,操作到此为止,反之,继续后面的步骤;
第十三步,对信号变换数据f1,f2,…,fn做LOF异常检验算法的训练,并使用训练后的算法参数对信号变换数据f1,f2,…,fn,ft做异常检验,如果检验结果存在异常,则标记变量a=1,反之,标记变量a=-1;
第十四步,对信号变换数据f1,f2,…,fn做iForest异常检验算法的训练,并使用训练后的算法参数对信号变换数据f1,f2,…,fn,ft做异常检验,如果检验结果存在异常,则标记变量b=1,反之,标记变量b=-1;
第十五步,对信号变换数据f1,f2,…,fn使用自编码器进行降维,并对降维后数据做SOD异常检验算法的训练,并使用训练后的算法参数对使用相同自编码器对信号变换数据f1,f2,…,fn,ft进行降维后的数据做异常检验,如果检验结果存在异常,则标记变量c=1,反之,标记变量c=-1;
第十六步,如果a+b+c>0,则可以得出结论,信号存在异常,反之,信号不存在异常,结束操作。
本发明一种基于T-SNE的电机异常检测集成算法,针对旋转设备的振动数据,只采用设备自身的正常样本,通过基于T-SNE的方法进行对样本进行降维,然后使用离异值检测的方法进行多维度集成化的异常检测,从而建立了一套可以稳定使用的商用异常检测方法;训练时只需要设备自身的正常数据即可建模,不需要刻意去采集异常样本;且本发明不需要针对不同的数据提取不同的关键特征或设定不同的阈值,只需要采集少量该设备的正常数据进行分析,从而达到对所有设备的异常检测都有较高的准确率,本发明在25kw~315kw功率范围的低压电机上的异常检测准确率在97%以上。
附图说明
图1为本发明基于T-SNE的电机异常检测集成算法的算法流程图。
具体实施方式
下面将结合附图对本发明做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式,但本发明的保护范围不限于下述实施例。
实施例一:如图1所示,本实施例所涉及的一种基于T-SNE的电机异常检测集成算法,具体步骤为:
第一步,对所有的正常振动时域信号(s1,s2,…,sn)及待检测振动信号(st)进行滤波。
第二步,对滤波得到的信号(sf1,sf2,…,sfn,sft)做EMD降噪处理。
第三步,对降噪的得到的信号(e1,e2,…,en,et)做fft傅里叶变换,得到信号变换数据(f1,f2,…,fn,ft)。
第四步,将st与正常振动时域信号(s1,s2,…,sn)进行concatenate,并定义st为sn+1,求取concatenate后的信号(s1,s2,…,sn,sn+1)各样本之间的欧式距离矩阵M,M为(n+1)*(n+1)的方阵。其中Mij为si到sj的欧式距离。
第五步,使用T-SNE将数据(f1,f2,…,fn)维度降至m,则fi可以表示为(x1,x2…,xm),i∈{1,2,…,n,t};
第六步,利用各样本间的欧式距离对坐标进行修正,对于fi的坐标修正公式为xj *=xj+di *,j∈[1,m],i∈{1,2,…,n,t},其中di *=∑j=1Mij/n+1
第七步,创建检验结果特征数据(r1,r2…,rm),并将ri的初始值均设置为0,对信号变换数据(f1,f2,…,fn)的m个特征分别做Kolmogorov-Smirnov检验,对于检验结果为正态分布的特征,对应的特征数据ri=ri+1,反之ri=ri-1。
第八步,对信号变换数据(f1,f2,…,fn)的m个特征分别做Shapiro-Wilk检验,对于检验结果为正态分布的特征,对应的特征数据ri=ri+1,反之ri=ri-1。
第九步,对信号变换数据(f1,f2,…,fn)的m个特征分别做Anderson-Darling检验,对于检验结果为正态分布的特征,对应的特征数据ri=ri+1,反之ri=ri-1。
第十一步,基于信号变换数据(f1,f2,…,fn),对于符合正态分布的特征,分别对信号变换数据ft的相应特征做3*sigma异常检验,对于不符合正态分布的特征,分别对信号变换数据ft的相应特征做1.5*IQR规则异常检验。
第十二步,创建分布异常检验标记数据(l1,l2…,lm),并将li的初始值均设置为1,对于“第十一步”的检验结果为异常特征i,对应的分布异常检验标记数据li=0,反之li=1,如果∏li=1且li∈(l1,l2…,lm),则待检测振动信号不存在异常情况,操作到此为止,反之,继续后面的步骤。
第十三步,对信号变换数据(f1,f2,…,fn)做LOF异常检验算法的训练,并使用训练后的算法参数对信号变换数据(f1,f2,…,fn,ft)做异常检验,如果检验结果存在异常,则标记变量a=1,反之,标记变量a=-1。
第十四步,对信号变换数据(f1,f2,…,fn)做iForest异常检验算法的训练,并使用训练后的算法参数对信号变换数据(f1,f2,…,fn,ft)做异常检验,如果检验结果存在异常,则标记变量b=1,反之,标记变量b=-1。
第十五步,对信号变换数据(f1,f2,…,fn)使用自编码器进行降维,并对降为后数据做SOD异常检验算法的训练,并使用训练后的算法参数对使用相同自编码器对信号变换数据(f1,f2,…,fn,ft)进行降维后的数据做异常检验,如果检验结果存在异常,则标记变量c=1,反之,标记变量c=-1。
第十六步,如果a+b+c>0,则可以得出结论,信号存在异常,反之,信号或不存在异常,结束操作。
以上所述,仅为本发明较佳的具体实施方式,这些具体实施方式都是基于本发明整体构思下的不同实现方式,而且本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.一种基于T-SNE的电机异常检测集成算法,其特征在于,所述基于T-SNE的电机异常检测集成算法具体步骤为:
第一步,对所有的正常振动时域信号s1,s2,…,sn及待检测振动信号st进行滤波;
第二步,对滤波得到的信号sf1,sf2,…,sfn,sft做EMD降噪处理;
第三步,对降噪得到的信号e1,e2,…,en,et做傅里叶变换,得到信号变换数据f1,f2,…,fn,ft;
第四步,将待检测振动信号st与正常振动时域信号s1,s2,…,sn进行拼接处理,并定义st为sn+1,求取concatenate后的信号s1,s2,…,sn,sn+1各样本之间的欧式距离矩阵M,M为(n+1)*(n+1)的方阵,其中Mij为si到sj的欧式距离;
第五步,使用T-SNE将数据f1,f2,…,fn维度降至m,则fi可以表示为x1,x2…,xm,其中i∈{1,2,…,n,t};
第七步,创建检验结果特征数据r1,r2…,rm,并将ri且ri∈(r1,r2…,rm)的初始值均设置为0,对信号变换数据f1,f2,…,fn的m个特征分别做Kolmogorov-Smirnov检验,对于检验结果为正态分布的特征,对应的特征数据ri=ri+1,反之ri=ri-1;
第八步,对信号变换数据f1,f2,…,fn的m个特征分别做Shapiro-Wilk检验,对于检验结果为正态分布的特征,对应的特征数据为ri=ri+1,反之ri=ri–1;
第九步,对信号变换数据f1,f2,…,fn的m个特征分别做Anderson-Darling检验,对于检验结果为正态分布的特征,对应的特征数据为ri=ri+1,反之ri=ri–1;
第十一步,基于信号变换数据f1,f2,…,fn,对于符合正态分布的特征,分别对信号变换数据ft的相应特征做3*sigma异常检验,对于不符合正态分布的特征,分别对信号变换数据ft的相应特征做1.5*IQR规则异常检验;
第十二步,创建分布异常检验标记数据l1,l2…,lm,并将li且li∈(l1,l2…,lm)的初始值均设置为1,对于第十一步中的检验结果为异常特征i,对应的分布异常检验标记数据li=0,反之li=1,如果∏li=1且li∈(l1,l2…,lm),则待检测振动信号不存在异常情况,操作到此为止,反之,继续后面的步骤;
第十三步,对信号变换数据f1,f2,…,fn做LOF异常检验算法的训练,并使用训练后的算法参数对信号变换数据f1,f2,…,fn,ft做异常检验,如果检验结果存在异常,则标记变量a=1,反之,标记变量a=-1;
第十四步,对信号变换数据f1,f2,…,fn做iForest异常检验算法的训练,并使用训练后的算法参数对信号变换数据f1,f2,…,fn,ft做异常检验,如果检验结果存在异常,则标记变量b=1,反之,标记变量b=-1;
第十五步,对信号变换数据f1,f2,…,fn使用自编码器进行降维,并对降维后数据做SOD异常检验算法的训练,并使用训练后的算法参数对使用相同自编码器对信号变换数据f1,f2,…,fn,ft进行降维后的数据做异常检验,如果检验结果存在异常,则标记变量c=1,反之,标记变量c=-1;
第十六步,如果a+b+c>0,则可以得出结论,信号存在异常,反之,信号不存在异常,结束操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409302.6A CN112697268B (zh) | 2020-12-04 | 2020-12-04 | 一种基于t-sne的电机异常检测集成算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409302.6A CN112697268B (zh) | 2020-12-04 | 2020-12-04 | 一种基于t-sne的电机异常检测集成算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112697268A CN112697268A (zh) | 2021-04-23 |
CN112697268B true CN112697268B (zh) | 2022-06-24 |
Family
ID=75506739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409302.6A Active CN112697268B (zh) | 2020-12-04 | 2020-12-04 | 一种基于t-sne的电机异常检测集成算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112697268B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741364A (zh) * | 2021-08-26 | 2021-12-03 | 上海应用技术大学 | 一种基于改进t-SNE的多模态化工过程故障检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001119561A (ja) * | 1999-10-20 | 2001-04-27 | Canon Inc | 画像処理装置及び方法及び記憶媒体 |
GB201718756D0 (en) * | 2017-11-13 | 2017-12-27 | Cambridge Bio-Augmentation Systems Ltd | Neural interface |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN110971156A (zh) * | 2019-12-27 | 2020-04-07 | 佳木斯电机股份有限公司 | 无刷同步电动机旋转励磁控制装置 |
CN210626979U (zh) * | 2019-10-29 | 2020-05-26 | 佳木斯电机股份有限公司 | 一种用于电机及其拖动设备的在线故障诊断系统 |
-
2020
- 2020-12-04 CN CN202011409302.6A patent/CN112697268B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001119561A (ja) * | 1999-10-20 | 2001-04-27 | Canon Inc | 画像処理装置及び方法及び記憶媒体 |
GB201718756D0 (en) * | 2017-11-13 | 2017-12-27 | Cambridge Bio-Augmentation Systems Ltd | Neural interface |
CN109086793A (zh) * | 2018-06-27 | 2018-12-25 | 东北大学 | 一种风力发电机的异常识别方法 |
CN110705456A (zh) * | 2019-09-29 | 2020-01-17 | 华南理工大学 | 一种基于迁移学习的微型电机异常检测方法 |
CN210626979U (zh) * | 2019-10-29 | 2020-05-26 | 佳木斯电机股份有限公司 | 一种用于电机及其拖动设备的在线故障诊断系统 |
CN110792563A (zh) * | 2019-11-04 | 2020-02-14 | 北京天泽智云科技有限公司 | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 |
CN110971156A (zh) * | 2019-12-27 | 2020-04-07 | 佳木斯电机股份有限公司 | 无刷同步电动机旋转励磁控制装置 |
Non-Patent Citations (2)
Title |
---|
基于在线监测数据的设备突发大故障预测建模及实现;周道涵;《中国优秀硕士/博士学位论文全文数据库》;20161231;全文 * |
语义自编码结合关系网络的零样本图像识别算法;林克正 等;《模式识别与人工智能》;20191231;第32卷(第3期);214-224 * |
Also Published As
Publication number | Publication date |
---|---|
CN112697268A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
Tao et al. | Bearings fault detection using wavelet transform and generalized Gaussian density modeling | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN105258940B (zh) | 机械故障定量提取的标准化多小波与多小波包变换方法 | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
Xu et al. | A selective fuzzy ARTMAP ensemble and its application to the fault diagnosis of rolling element bearing | |
CN112697268B (zh) | 一种基于t-sne的电机异常检测集成算法 | |
CN112711083B (zh) | 基于自适应权重特征的多源降水数据动态融合方法及系统 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
Martin-del-Campo et al. | Dictionary learning approach to monitoring of wind turbine drivetrain bearings | |
CN115062733A (zh) | 基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN107147143B (zh) | 一种风机连锁脱网故障早期预警模型建立方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN117110798A (zh) | 智能配电网的故障检测方法和系统 | |
CN115951167A (zh) | 配电网故障类型判断方法 | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 | |
CN113919525A (zh) | 一种电站风机状态预警方法、系统及其应用 | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
CN117361256B (zh) | 一种基于人工智能的电梯安全管理方法及系统 | |
CN116298595A (zh) | 一种基于瀑布声谱图与卷积神经网络的变压器故障识别方法 | |
Detection | Methylcyclohexane Continuous Distillation Column Fault Detection Using Stationary Wavelet Transform and K-Means |
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 |