CN113239970A - 一种模型训练方法、设备振动异常检测方法和装置 - Google Patents
一种模型训练方法、设备振动异常检测方法和装置 Download PDFInfo
- Publication number
- CN113239970A CN113239970A CN202110408563.4A CN202110408563A CN113239970A CN 113239970 A CN113239970 A CN 113239970A CN 202110408563 A CN202110408563 A CN 202110408563A CN 113239970 A CN113239970 A CN 113239970A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- vibration
- detection model
- initial detection
- 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
Images
Classifications
-
- 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
- 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
Abstract
本发明涉及振动异常检测技术领域,具体涉及一种模型训练方法、设备振动异常检测方法和装置。该方法包括:获取设备正常运行时的正常振动数据,构建训练样本数据;构建初始检测模型;其中,初始检测模型包括生成器和鉴别器;根据训练样本数据,迭代训练初始检测模型;其中,若特征数据能够用以训练初始检测模型,则利用特征数据,进行本次迭代训练;若触发设定终止训练条件,则将当前的初始检测模型作为用于检测设备的振动异常的目标检测模型。本发明采用设备正常运行时的正常振动数据构建的训练样本数据,替代异常振动数据,进行迭代训练初始检测模型,使初始检测模型学习到正常振动数据的分布,实现了针对设备振动异常的准确可靠检测。
Description
技术领域
本发明涉及振动异常检测技术领域,具体涉及一种模型训练方法、设备振动异常检测方法和装置。
背景技术
电机、轴承和齿轮箱等设备在长期运行过程中,设备的运行状态会逐渐变差,如果得不到及时的维修,会引发重大事故。因此,对设备的运行状态进行监控,并在早期发现设备故障是非常重要的。设备的振动作为设备的运行状态的一项有效指标,具有非常重要的研究价值。
因此,如何实现准确可靠地设备振动异常检测,是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种模型训练方法、设备振动异常检测方法和装置,以实现准确可靠地设备振动异常检测。
为达到以上目的,本发明实施例提供了以下方案:
第一方面,本发明实施例提供一种用于设备振动异常检测的模型训练方法,所述方法包括:
获取设备正常运行时的正常振动数据,构建训练样本数据;
构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器;
根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练;
若触发设定终止训练条件,则将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
在一种可能的实施例中,所述获取设备正常运行时的正常振动数据,构建训练样本数据,包括:
对所述正常振动数据进行数据拆分处理,获取等长的正常振动拆分数据集;
去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集;
利用所述预处理正常振动数据集,构建所述训练样本数据。
在一种可能的实施例中,所述去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集,包括:
利用最小二乘法,拟合出所述正常振动拆分数据集的线性趋势项;
从所述正常振动拆分数据集中去除所述线性趋势项,获取所述预处理正常振动数据集。
在一种可能的实施例中,所述根据所述训练样本数据,迭代训练所述初始检测模型,包括:
训练所述生成器时,所述鉴别器的参数保持不变;
训练所述鉴别器时,所述生成器的参数保持不变。
在一种可能的实施例中,所述生成器包括第一编码器层、解码器层和第二编码器层;
所述鉴别器包括卷积层、标准化层、激活层和相位随机设置层;其中,所述相位随机设置层用于将输入数据在设定范围内随机移动,以使所述鉴别器能够将部分或全部与所述本次输入的训练样本数据的频率相同且相位不同的所述重解码数据对应的特征数据用以训练所述初始检测模型。
第二方面,本发明实施例提供一种用于设备振动异常检测的模型训练装置,所述装置包括:
第一构建模块,用于获取设备正常运行时的正常振动数据,构建训练样本数据;
第二构建模块,用于构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器;
迭代训练模块,用于根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练;
目标检测模型获取模块,用于在触发设定终止训练条件时,将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
在一种可能的实施例中,所述第一构建模块,包括:
第一获取模块,用于对所述正常振动数据进行数据拆分处理,获取等长的正常振动拆分数据集;
第二获取模块,用于去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集;
第三获取模块,用于利用所述预处理正常振动数据集,构建所述训练样本数据。
在一种可能的实施例中,所述第二获取模块,包括:
拟合计算模块,用于利用最小二乘法,拟合出所述正常振动拆分数据集的线性趋势项;
第四获取模块,用于从所述正常振动拆分数据集中去除所述线性趋势项,获取所述预处理正常振动数据集。
在一种可能的实施例中,迭代训练模块,包括:
第一控制模块,用于在训练所述生成器时,所述鉴别器的参数保持不变;
第二控制模块,用于在训练所述鉴别器时,所述生成器的参数保持不变。
在一种可能的实施例中,所述生成器包括第一编码器层、解码器层和第二编码器层;
所述鉴别器包括卷积层、标准化层、激活层和相位随机设置层;其中,所述相位随机设置层用于将输入数据在设定范围内随机移动,以使所述鉴别器能够将部分或全部与所述本次输入的训练样本数据的频率相同且相位不同的所述重解码数据对应的特征数据用以训练所述初始检测模型。
第三方面,本发明实施例提供一种设备振动异常检测方法,包括:
获取待检测设备振动数据;
利用如第一方面中任一所述目标检测模型,判断所述待检测设备振动数据是否存在振动异常。
第四方面,本发明实施例提供一种设备振动异常检测装置,包括:
第五获取模块,用于获取待检测设备振动数据;
异常检测模块,用于利用如第一方面中任一所述目标检测模型,判断所述待检测设备振动数据是否存在振动异常。
第五方面,本发明实施例提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现第一方面或第三方面中任一所述的方法的步骤。
第六方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时以实现第一方面或第三方面中任一所述的方法的步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明采用设备正常运行时的正常振动数据构建的训练样本数据,替代异常振动数据,进行迭代训练初始检测模型,使初始检测模型学习到正常振动数据的分布,实现了针对设备振动异常的准确可靠检测。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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的附图。
图1是本发明实施例提供的一种用于设备振动异常检测的模型训练方法的流程图;
图2是本发明实施例提供的一种初始检测模型的结构示意图;
图3是本发明实施例提供的当n=2时一种phase shuffle层所有可能的输出结果;
图4是本发明实施例提供的训练过程中损失函数的值的变化曲线图;
图5是本发明实施例提供的输入进生成器的真实振动数据和生成器输出的生成数据的对比示意图;
图6是本发明实施例提供的一种用于设备振动异常检测的模型训练装置的结构示意图;
图7是本发明实施例提供的一种设备振动异常检测方法的流程图;
图8是本发明实施例提供的图7的设备振动异常检测方法对应的测试结果示意图;
图9本发明实施例提供的一种设备振动异常检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明实施例保护的范围。
本发明的发明人经过分析研究后发现,目前被广泛研究的深度学习故障检测方法,要求数据是平衡数据或具有所有故障类型的不平衡数据。数据不平衡问题在工业中普遍存在,正常的工业生产能够产生大量的正常数据,而异常数据只是在生产设备故障时才会产生,导致正常数据数量远大于异常数据。而且异常数据的种类与异常类型存在直接关系,工业中也不可能获取某种设备的所有故障类型的异常数据,从而导致异常类的缺失。从而无法使用现有的深度学习故障检测方法来对设备的振动异常进行检测。
为了实现针对设备振动异常的准确可靠检测,本发明希望利用设备的正常振动数据来训练检测模型,因此提出了以下方案。
请参阅图1,图1为本发明实施例提供的用于设备振动异常检测的模型训练方法的流程图,包括步骤11至步骤14。
步骤11,获取设备正常运行时的正常振动数据,构建训练样本数据。
具体的,设备可以是电机、轴承和齿轮箱等存在运动状态组件的设备,通过在设备相应组件上设置传感器(例如加速度计等),即可通过传感器采集获得该设备正常运行时的正常振动数据。
此处,设备正常运行是指,设备按照设计要求,在设定运行参数的控制下进行的运行,正常振动数据即为该运行状态下对应的振动数据。
在实际应用中,采集振动数据的传感器可能会存在零漂(可以理解为传感器的零位参考值抖动),在振动数据中引入低频干扰,从而影响振动数据的可靠性,为此,本发明实施例还对振动数据进行预处理,以减少传感器零漂对于结果可靠性的影响,具体方案包括步骤21至步骤23。
步骤21,对所述正常振动数据进行数据拆分处理,获取等长的正常振动拆分数据集。
具体的,这里可以假定拆分前正常振动数据的时序数列为x={x1,x2,x3,...,xn},x1至xn均代表正常振动数据中对应时刻的振幅,切分后的长度为L,切分后的个数为N,则切分振动数据时的间隔为切分后的正常振动拆分数据集为
具体的,振动数据集的长度应该等于编码器网络的输入节点数。
步骤22,去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集。
具体的,趋势项代表传感器零漂带来的低频干扰量,可以通过最小二乘法等数据拟合计算获得。
这里,本发明实施例还给出了一种获得预处理正常振动数据集的具体方案,包括步骤31至步骤32。
步骤31,利用最小二乘法,拟合出所述正常振动拆分数据集的线性趋势项。
步骤32,从所述正常振动拆分数据集中去除所述线性趋势项,获取所述预处理正常振动数据集。
在此采用最小二乘算法获取振动信号的趋势项。正常振动拆分数据集X的每一行均对应一个振动数据,以第一行振动数据为例,计算方法为:
假定用m阶多项式来拟合实际振动信号,则有:
根据极值条件,如果E具有极值,则E对ai的偏导数等于零,即:
依次取E对ai的偏导数,可以得到一个m+1元线性方程组:
考虑到由传感器零漂给振动数据带来的影响,在每一行振动数据的时间尺度下,多表现为线性函数,只需拟合每一行振动数据的线性趋势项,然后再从原始振动数据中减去线性趋势项。当m=1时,求解上式可得:
则消除线性趋势项后为:
步骤23,利用所述预处理正常振动数据集,构建所述训练样本数据。
具体的,本步骤可以利用预处理正常振动数据集,来构建训练样本数据,减少传感器零漂对检测结果的影响。
步骤12,构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器。
具体的,生成器属于一种对抗自编码器,其中包含有编码器层和解码器层,用于对振动数据进行降维处理和还原处理(还原为重解码数据)。鉴别器用来鉴别生成器是否对振动数据的进行了正确的还原处理。
如图2所示为本发明实施例提供的一种初始检测模型的结构示意图,其中,生成器包括第一编码器层(编码网络GE)、解码器层(解码网络GD)和第二编码器层(编码网络E),第一编码器层的输入信号(真实振动数据)为x,第一编码器层的输出信号为z,解码器层输出信号(重解码数据)为第二编码器层的输出信号为鉴别器包括卷积层、标准化层、激活层和相位随机设置层(phase shuffle),f为特征匹配函数。
具体的,第一编码器层和第二编码器层均可以由一维卷积层(Conv1d)、三个BN(Batch Normalization,标准化)层组成和三个LeakReLU激活层组成,如表1为第一编码器和第二编码器的详细架构。
表1
解码器层可以由四个一维反卷积层(Conv1d_trans)、三个BN层组成、三个ReLU激活层和一个Tanh激活层组成,详细的解码器层架构如表2所示。
表1
鉴别器架构可以由五个一维卷积层、四个BN层、四个LeakReLU激活层和三个phaseshuffle层组成,详细的鉴别器架构如表3所示。
表3
由于振动数据不同于图像数据,振动数据具有明显的周期性。对于同一个周期信号而言,鉴别器可能会将不同相位下的情况视为不同模式。当输入进第一编码器层的真实振动数据和解码器层还原的振动数据之间频率相同而相位不同时,鉴别器可能会拒绝这类生成的振动数据,从而大大减少了模型的可训练样本数量。为了避免鉴别器的这种误判,上述鉴别器采用了二分类网络,在鉴别器中加入phase shuffle层,相当于在鉴别过程中减弱了相位信息的作用,使模型更适合周期性的振动数据。
本实施例中,相位随机设置层(phase shuffle层)用于将输入数据在设定范围内随机移动,以使所述鉴别器能够将部分或全部与本次输入的训练样本数据的频率相同且相位不同的重解码数据对应的特征数据用以训练所述初始检测模型。
phase shuffle层的工作原理为:
首先,根据分布uniform~[-n,n],随机获取一个超参数p;其中,n的取值不超过正常振动拆分数据集每一振动数据的拆分数量;
然后,通过对称映射的方法填充p列振动数据;
最后,从填充一侧开始截取与输入进第一编码器层的真实振动数据大小相同的长度。如图3所示为本发明实施例提供的当n=2时一种phase shuffle层所有可能的输出结果。
上述模型中,Kernel size为卷积核的尺寸,提取振动数据特征的卷积核大小与振动特征的主频范围和振动数据的采样频率密切相关,由于本实施例中卷积核的尺寸不小于20,使模型能够获取足够的感受野和合适的网络深度,使模型更适合周期性的振动数据。
步骤13,根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练。
具体的,步骤12中给出了一种可行的初始检测模型,其中:生成器,通过解码编码的方式,获取本次输入的训练样本数据(输入进生成器的振动数据)对应的特征数据(生成器编码的降维振动数据)和重解码数据(生成器对降维振动数据重新解码还原的解码数据);鉴别器,根据本次输入的训练样本数据与重解码数据的比对结果,判断生成器生成的特征数据是否为真,具体可以通过训练样本数据与重解码数据的相似度比较来完成具体的判断;最后,若特征数据为真,能够用以训练初始检测模型,则利用所述特征数据,进行本次迭代训练,更新当前的初始检测模型中生成器和鉴别器的相关参数。每次迭代训练,均是在上次训练获得的初始检测模型的基础上进行的。
具体的,为了提高初始检测模型中生成器和鉴别器的相关参数更新效率,本发明实施例采用生成器与鉴别器对抗的形式来进行迭代训练,在训练生成器时,鉴别器的参数保持不变;在训练鉴别器时,生成器的参数保持不变。对生成器和鉴别器参数的更新均采用adam方法,以进一步加快参数的收敛速度。
步骤14,若触发设定终止训练条件,则将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
具体的,当前的初始检测模型是指触发设定终止训练条件时刻,经过若干次迭代训练的初始检测模型。
具体的,设定终止训练条件可以是当前总迭代次数达到了设定迭代次数上限,当然还可以是当前的模型检测精度达到了设定精度。
这里,本发明实施例采用损失函数的值来表征当前的模型检测精度。
损失函数的表达式可以为:
为说明本实施例的训练过程,本实施例利用loss=50*g_loss+e_loss+f_loss作为损失函数,模型每次同时处理的数据量Batch size的大小为32,训练250个epoch(世系),生成器和鉴别器均采用adam优化器,初始学习率为2e-4,动量项分别为0.5和0.999。
如图4所示为本发明实施例提供的训练过程中损失函数的值的变化曲线图,如图5所示为本发明实施例提供的输入进生成器的真实振动数据和生成器输出的生成数据的对比示意图。从图4中可见,迭代更新3000步之后,检测网络已基本收敛。从图5中可见,生成器生成的数据和原始数据已经非常接近,可以确认生成器已经习得了正常数据的模式。
这样,当异常数据输入进训练好的目标检测模型后,其输出的损失函数的值将会较大,从而高效准确地识别出设备的振动异常故障。
基于与方法同样的发明构思,本发明实施例还提供了一种用于设备振动异常检测的模型训练装置,如图6所示为该装置实施例的结构示意图,所述装置包括:
第一构建模块41,用于获取设备正常运行时的正常振动数据,构建训练样本数据;
第二构建模块42,用于构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器;
迭代训练模块43,用于根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练;
目标检测模型获取模块44,用于在触发设定终止训练条件时,将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
在一种可能的实施例中,所述第一构建模块,包括:
第一获取模块,用于对所述正常振动数据进行数据拆分处理,获取等长的正常振动拆分数据集;
第二获取模块,用于去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集;
第三获取模块,用于利用所述预处理正常振动数据集,构建所述训练样本数据。
在一种可能的实施例中,所述第二获取模块,包括:
拟合计算模块,用于利用最小二乘法,拟合出所述正常振动拆分数据集的线性趋势项;
第四获取模块,用于从所述正常振动拆分数据集中去除所述线性趋势项,获取所述预处理正常振动数据集。
在一种可能的实施例中,迭代训练模块,包括:
第一控制模块,用于在训练所述生成器时,所述鉴别器的参数保持不变;
第二控制模块,用于在训练所述鉴别器时,所述生成器的参数保持不变。
在一种可能的实施例中,所述生成器包括第一编码器层、解码器层和第二编码器层;
所述鉴别器包括卷积层、标准化层、激活层和相位随机设置层;其中,所述相位随机设置层用于将输入数据在设定范围内随机移动,以使所述鉴别器能够将部分或全部与所述本次输入的训练样本数据的频率相同且相位不同的所述重解码数据对应的特征数据用以训练所述初始检测模型。
基于与方法同样的发明构思,本发明实施例还提供了一种设备振动异常检测方法,如图7所示为该方法实施例对应的流程图,包括步骤51至步骤52。
步骤51,获取待检测设备振动数据。
步骤52,利用如上文中任一所述目标检测模型,判断所述待检测设备振动数据是否在振动异常。
具体的,由于在实际检测中,不需要再使用鉴别器,因此检测过程中使用的损失函数只需要考虑生成损失和编码损失。由于正常振动数据对应的损失函数的值较小,异常振动数据对应的损失函数的值较大,可以通过人为设置不同类型设备异常对应的损失函数的值,来计算出损失函数中正常与异常之间的辨别阈值,从而可以根据该辨别阈值,实现对设备振动异常的检测。
以图2所示的模型结构为例,在测试阶段,以编码器输出之差的范数以及解码器输出与原始输入之差的范数的加权和作为衡量测试数据异常与否的指标。利用正常振动数据和异常振动数据测试基于生成对抗网络的振动异常检测模型,以生成损失和编码损失的加权和作为测试结果,并选择合适的阈值来判断数据是否异常。
本实施例在3马力的载荷条件下,以12kHz采样频率记录的振动数据,本实施例事先采用电火花的形式在轴承内圈、外圈和滚动体上分别人为的制造了尺寸为0.007、0.014、0.021英寸大小的缺陷,加上正常的轴承,一共可以获得10类振动数据(1类正常振动数据和9类异常振动数据)。
测试阶段,采用正常数据的后20%,以及9类异常数据进行测试。以生成损失和编码损失的加权和作为测试结果来判断数据是否异常,测试输出分数为score=50*g_loss+e_loss。如图8所示为图7的设备振动异常检测方法对应的测试结果示意图,从图中可以看出,正常类的得分比其他9类异常的得分都低,而且不同异常类的得分也有区别,所以只要取一个合适的阈值就可以将正常数据和异常数据完全分开。
针对西储大学振动数据集,阈值可以取[1,3]之间,阈值的取值范围很宽。当测试数据得分高于事先确定的阈值时,系统就会发出异常警告。
基于与方法同样的发明构思,本发明实施例还提供了一种设备振动异常检测装置,图9所示为该装置实施例的结构示意图,包括:
第五获取模块61,用于获取待检测设备振动数据;
异常检测模块62,用于利用如上文中任一目标检测模型,判断所述待检测设备振动数据是否存在振动异常。
基于与前述实施例中同样的发明构思,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例采用设备正常运行时的正常振动数据构建的训练样本数据,替代异常振动数据,进行迭代训练初始检测模型,使初始检测模型学习到正常振动数据的分布,实现了针对设备振动异常的准确可靠检测。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,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发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种用于设备振动异常检测的模型训练方法,其特征在于,所述方法包括:
获取设备正常运行时的正常振动数据,构建训练样本数据;
构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器;
根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练;
若触发设定终止训练条件,则将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
2.根据权利要求1所述的模型训练方法,其特征在于,所述获取设备正常运行时的正常振动数据,构建训练样本数据,包括:
对所述正常振动数据进行数据拆分处理,获取等长的正常振动拆分数据集;
去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集;
利用所述预处理正常振动数据集,构建所述训练样本数据。
3.根据权利要求2所述的模型训练方法,其特征在于,所述去除所述正常振动拆分数据集中的趋势项,获得预处理正常振动数据集,包括:
利用最小二乘法,拟合出所述正常振动拆分数据集的线性趋势项;
从所述正常振动拆分数据集中去除所述线性趋势项,获取所述预处理正常振动数据集。
4.根据权利要求1所述的模型训练方法,其特征在于,所述根据所述训练样本数据,迭代训练所述初始检测模型,包括:
训练所述生成器时,所述鉴别器的参数保持不变;
训练所述鉴别器时,所述生成器的参数保持不变。
5.根据权利要求1所述的模型训练方法,其特征在于,所述生成器包括第一编码器层、解码器层和第二编码器层;
所述鉴别器包括卷积层、标准化层、激活层和相位随机设置层;其中,所述相位随机设置层用于将输入数据在设定范围内随机移动,以使所述鉴别器能够将部分或全部与所述本次输入的训练样本数据的频率相同且相位不同的所述重解码数据对应的特征数据用以训练所述初始检测模型。
6.一种用于设备振动异常检测的模型训练装置,其特征在于,所述装置包括:
第一构建模块,用于获取设备正常运行时的正常振动数据,构建训练样本数据;
第二构建模块,用于构建初始检测模型;其中,所述初始检测模型包括生成器和鉴别器;
迭代训练模块,用于根据所述训练样本数据,迭代训练所述初始检测模型;其中,每次训练时,所述生成器,通过解码编码的方式,获取本次输入的训练样本数据对应的特征数据和重解码数据;所述鉴别器,根据所述本次输入的训练样本数据与所述重解码数据的比对结果,判断所述特征数据是否能够用以训练所述初始检测模型;若所述特征数据能够用以训练所述初始检测模型,则利用所述特征数据,进行本次迭代训练;
目标检测模型获取模块,用于在触发设定终止训练条件时,将当前的初始检测模型作为用于检测所述设备的振动异常的目标检测模型。
7.一种设备振动异常检测方法,其特征在于,包括:
获取待检测设备振动数据;
利用如权利要求1至5任一所述模型训练方法获得的目标检测模型,判断所述待检测设备振动数据是否存在振动异常。
8.一种设备振动异常检测装置,其特征在于,包括:
第五获取模块,用于获取待检测设备振动数据;
异常检测模块,用于利用如权利要求1至5任一所述模型训练方法获得的目标检测模型,判断所述待检测设备振动数据是否存在振动异常。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现权利要求1、2、3、4、5或7所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时以实现权利要求1、2、3、4、5或7所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408563.4A CN113239970A (zh) | 2021-04-16 | 2021-04-16 | 一种模型训练方法、设备振动异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408563.4A CN113239970A (zh) | 2021-04-16 | 2021-04-16 | 一种模型训练方法、设备振动异常检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239970A true CN113239970A (zh) | 2021-08-10 |
Family
ID=77128140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110408563.4A Pending CN113239970A (zh) | 2021-04-16 | 2021-04-16 | 一种模型训练方法、设备振动异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239970A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN115014821A (zh) * | 2022-05-31 | 2022-09-06 | 三一重机有限公司 | 作业机械异常检测方法、装置及作业机械 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020154791A1 (en) * | 2001-03-02 | 2002-10-24 | Chieko Onuma | Image monitoring method, image monitoring apparatus and storage media |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN110245707A (zh) * | 2019-06-17 | 2019-09-17 | 吉林大学 | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
-
2021
- 2021-04-16 CN CN202110408563.4A patent/CN113239970A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020154791A1 (en) * | 2001-03-02 | 2002-10-24 | Chieko Onuma | Image monitoring method, image monitoring apparatus and storage media |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN110245707A (zh) * | 2019-06-17 | 2019-09-17 | 吉林大学 | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
CN111412978A (zh) * | 2020-04-22 | 2020-07-14 | 北京化工大学 | 一种基于无故障振动信号的往复机械异常检测方法 |
Non-Patent Citations (1)
Title |
---|
CHRIS DONAHUE, JULIAN MCAULEY,MILLER PUCKETTE: "ADVERSARIAL AUDIO SYNTHESIS", ICLR, pages 4 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
CN114922806A (zh) * | 2022-04-27 | 2022-08-19 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN114922806B (zh) * | 2022-04-27 | 2023-11-24 | 北京天玛智控科技股份有限公司 | 柱塞泵的异常检测方法和装置 |
CN115014821A (zh) * | 2022-05-31 | 2022-09-06 | 三一重机有限公司 | 作业机械异常检测方法、装置及作业机械 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239970A (zh) | 一种模型训练方法、设备振动异常检测方法和装置 | |
CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
CN113780056B (zh) | 基于振动信号的滚动轴承故障诊断方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN112798280B (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN112906644A (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及系统 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
Brandsæter et al. | An application of sensor-based anomaly detection in the maritime industry | |
CN112132102A (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN113933054A (zh) | 一种滚动轴承故障监测诊断方法、设备、介质及处理器 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
Bhavaraju et al. | A comparative study on bearings faults classification by artificial neural networks and self-organizing maps using wavelets | |
Yang et al. | Rolling-element bearing fault data automatic clustering based on wavelet and deep neural network | |
Khodabakhsh et al. | Cloud-based fault detection and classification for oil & gas industry | |
CN116611184A (zh) | 一种齿轮箱的故障检测方法、装置及介质 | |
Sun et al. | Application of deep belief networks for precision mechanism quality inspection | |
US20190294988A1 (en) | Plant abnormality prediction system and method | |
Dervilis et al. | Damage detection in carbon composite material typical of wind turbine blades using auto-associative neural networks |
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 |