CN113361324A - 一种基于lstm的电机电流异常检测方法 - Google Patents

一种基于lstm的电机电流异常检测方法 Download PDF

Info

Publication number
CN113361324A
CN113361324A CN202110446300.2A CN202110446300A CN113361324A CN 113361324 A CN113361324 A CN 113361324A CN 202110446300 A CN202110446300 A CN 202110446300A CN 113361324 A CN113361324 A CN 113361324A
Authority
CN
China
Prior art keywords
model
lstm
training
current
current signals
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
Application number
CN202110446300.2A
Other languages
English (en)
Other versions
CN113361324B (zh
Inventor
易康
韩倩倩
刘兆娜
蔡鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Jiuxin Internet Of Things Science & Technology Co ltd
Original Assignee
Hangzhou Jiuxin Internet Of Things Science & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Jiuxin Internet Of Things Science & Technology Co ltd filed Critical Hangzhou Jiuxin Internet Of Things Science & Technology Co ltd
Priority to CN202110446300.2A priority Critical patent/CN113361324B/zh
Publication of CN113361324A publication Critical patent/CN113361324A/zh
Application granted granted Critical
Publication of CN113361324B publication Critical patent/CN113361324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Control Of Electric Motors In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出了一种基于lstm的电机电流异常检测方法，包括S1.异常检测模型训练阶段：采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点；特征提取，并进行归一化，获得训练样本；模型训练，采用lstm算法对训练样本进行训练，保存训练好的模型作为预测器，保存报警阈值；S2.异常检测模型预测阶段：获取实时采集的电流信号；对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点；提取特征，并进行归一化，获得预测样本；将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。该方法可以在没有故障样本以及电流采集频率较低的情况下，实现对电机故障的实时在线异常检测。

Description

一种基于lstm的电机电流异常检测方法
【技术领域】
本发明涉及工业电机的技术领域，特别是一种基于lstm的电机电流异常检测方法。
【背景技术】
电机是一种用量最大、覆盖面最广的工业设备，在工业生产中占据着十分重要的地位。一旦电机发生故障，带来的经济损失将无法预测，然而电机在寿命周期内发生故障是难以避免的。为了避免因为电机故障造成经济损失及发生事故，对电机进行异常检测或者故障诊断具有重要的意义。对于电机故障诊断来说，故障样本的收集，相对来说正常场景下的训练数据较易获得，但在故障系统状态下收集故障数据可能相当昂贵，或者根本不可能。
检测机械振动信号是一种传统的技术，在机械故障诊断方面有着广泛的应用。通常在旋转轴上安装一个压电传感器，由于其产生的电压信号正比于加速度，因此它能很好地反应旋转机械的振动信息。但加速度传感器存在价格昂贵、安装不便以及可靠性较差的缺点。定子电流信号是另一种常用的分析信号，通常用霍尔电流探测针来测量，相对机械振动信号，它具有安装简单、价格便宜、非侵入式以及与电机控制系统共享电流的优点。霍尔电流探测针获取的定子电流采样频率较高，一般会采用傅里叶变换，转换到频谱进行分析，然后通过寻找故障频率的方式定位故障，也就是传统的基于机理的方式。假如电流的采集频率为几秒一组或者几分钟一组，则无法采用傅里叶变换，来进行分析了。目前电机故障诊断面临故障样本缺乏的挑战，当采集的电流采样频率低的情况下，难以解决电机故障诊断的难题。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种基于lstm的电机电流异常检测方法，通过构建深度学习模型对电机电流时序数据进行识别，实现对电机异常状况的检测。
为实现上述目的，本发明提出了一种基于lstm的电机电流异常检测方法，包括以下步骤：
S1.异常检测模型训练阶段：
S11：数据采集及处理，首先采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点(箱线图)；
S12：特征提取，从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得训练样本；
S13：模型训练，采用lstm算法对训练样本进行训练，保存训练好的lstm模型作为预测器，保存报警阈值；
S2.异常检测模型预测阶段：
S21：通过定时查询数据库的方式，获取实时采集电机的电流信号；
S22：对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点(箱线图)；
S23：从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得预测样本；
S24：将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。
作为优选，步骤S11中通过网关采集电机的历史电流信号，频率为10S一组。
作为优选，步骤S11中工况划分包含以下步骤：
S11.1输入数据：网关采集的电机的历史电流信号；
S11.2模型选择：采用HMM模型对输入数据进行训练；
S11.3模型参数设置：根据之前的数据分析，电机的工况一般包括停机、待机、加工工况，在启机时电流会急剧上升，显著高于加工时的电流，为了便于将加工电流信号取出，过滤了停机信号以及启机电流，然后将隐含状态数量设置为2，其他为默认设置；
S11.4返回模型结果：训练完成后将模型保存至本地，同时取出加工电流信号，作为目标工况的电流信号。
作为优选，步骤S11中去除离群点(箱线图)具体包括如下步骤：
S11.5计算目标工况的电流信号中的下四分位数q1、上四分位数q3以及四分位距iqr＝q3-q1，设置四分位距系数ratio＝2；
S11.6计算箱体上边缘q3+ratio*iqr，以及下边缘q1-ratio*iqr；
S11.7超出上边缘或者下边缘的点即为离群点，去掉离群点。
作为优选，步骤S12具体包括以下步骤：
S12.1特征提取：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，包括峰峰值、有效值、峰值因子、裕度因子、脉冲因子、峭度因子，形成240*6的特征矩阵，否则从步骤S11开始，重新选取历史电流信号，重复步骤S11-S12；其中，峰峰值记做peak2peak，有效值记做rms、峰值因子记做crestf、裕度因子记做margin、脉冲因子记做pulse、峭度因子记做kur；
S12.2归一化：为了加快模型调优的速度，对特征矩阵进行归一化，归一化采取min-max归一化方式，归一化scaler模型保存至本地。
作为优选，步骤S13具体包括以下步骤：
S13.1构建建模特征输入形状，将特征矩阵240*6形状变成24*10*6；
S13.2采用keras框架建立lstm模型，模型分为三层，第一层神经元个数为32，第二层神经元个数为16，第三层神经元个数为6，优化器optimizer为“adam”，损失函数loss为“mae”(平均绝对误差)；
S13.3模型训练，训练参数设置为：训练循环次数iterations＝5，每次循环训练模型迭代轮次epochs＝100，每次梯度更新的样本数batch_size＝72，训练输入数据为特征矩阵24*10*6，训练输出数据与训练输入数据相同，待收敛后，将lstm模型保存至本地，并计算出预测输出与实际输出的平均绝对误差的最大值，乘以一个系数作为报警阈值。
作为优选，步骤S21定时查询数据库，时间定为每日凌晨零点开始查询，查询昨日零点至今日零点的电流信号。
作为优选，步骤S22调用先前训练好的HMM模型提取目标工况的电流信号。
作为优选，步骤S23中的特征提取，要先做判断：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，形成240*6的特征矩阵，否则停止后续操作，等待下一次定时查询数据库；归一化，是采用先前训练好的归一化scaler模型对提取的特征矩阵进行归一化。
作为优选，步骤S24在调用先前训练好的lstm模型之前，需要重新构建建模特征输入，将其变成24*10*6的形状，调用之前训练好的lstm模型后，计算预测输出与实际输出的平均绝对误差，并与报警阈值作对比，高于阈值则报警。
本发明的有益效果：
本发明基于采集的电机的低频时序电流信号(频率为10S)，采用lstm模型对电流信号进行异常检测，实现了电机故障的异常检测。可以在没有故障样本以及电流采集频率较低(采样频率低到无法使用傅里叶变换)的情况下，依然实现对电机故障的实时在线异常检测。
本模型对输入数据要求低：由于数据采集频率要求只需10S一次，对采集技术要求更低，从存储数据的角度看，存储数据的成本也更低。
本模型实现了在缺乏故障样本的情况下，完成对电机的异常状况的检测。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明中异常检测方法的模型训练和上线使用的整体流程框图。
【具体实施方式】
本发明基于采集的电机的低频时序电流信号(频率为10S)，采用lstm模型对电流信号进行异常检测，实现了电机故障的异常检测。可以在没有故障样本以及电流采集频率较低的情况下，依然实现对电机故障的实时在线异常检测。
为了便于理解本发明的技术方案，下面以某工厂电机加装的网关采集的真实工作环境的电流信号为例进行详细说明。
网关采集的是某工厂镀膜线清洗机风机电机的电流信号，采集频率为10S一组数据。
整个实施过程分为两个阶段：训练阶段和上线运行阶段。
训练阶段的具体流程如下：
步骤1.1数据获取:从数据库中读取某一时间段内(7天左右)网关采集的电流信息，包含时间戳、电流值。
步骤1.2工况划分：包含以下步骤：
输入数据：网关采集的电机的历史电流信号；
模型选择：采用HMM模型对输入数据进行训练；
模型参数设置：清洗机风机电机一般包含停机、待机、加工三种工况，在启机时电流会急剧上升，显著高于加工时的电流，为了便于将加工电流信号取出，过滤了停机信号以及启机电流，然后将隐含状态数量设置为2，其他默认设置；
返回模型结果：训练完成后将模型保存至本地，同时取出加工电流信号，作为目标工况的电流信号。
步骤1.3去除离群点：采用箱线图的方式将离群点去掉。
步骤1.4特征提取：
将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取peak2peak(峰峰值)、rms(有效值)、crestf(峰值因子)、margin(裕度因子)、pulse(脉冲因子)、kur(峭度因子)等六个特征，形成240*6的特征矩阵。
步骤1.5归一化：
对特征矩阵进行归一化，归一化采取min-max归一化方式，归一化scaler模型保存至本地。
步骤1.6模型训练，包含以下具体步骤：
构建建模特征输入，将特征矩阵240*6形状变成24*10*6；
采用keras框架建立lstm模型，模型分为三层，第一层神经元个数为32，第二层神经元个数为16，第三层神经元个数为6，优化器optimizer为“adam”，损失函数loss为“mae”(平均绝对误差)。
模型训练，训练参数设置为：iterations＝5，epochs＝100，batch_size＝72，训练输入数据为特征矩阵24*10*6，训练输出数据与训练输入数据相同，待收敛后，将lstm模型保存至本地，并计算出预测输出与实际输出的平均绝对误差的最大值，乘以一个系数作为报警阈值。
上线运行阶段具体流程：
步骤2.1数据获取：
定时查询数据库，时间定为每日凌晨零点开始查询，查询前一天零点至今日零点的电流信号。
步骤2.2工况提取：
调用先前训练好的HMM模型提取目标工况的电流信号。
步骤2.3特征提取及归一化：
先做判断：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，形成240*6的特征矩阵，否则停止后续操作；归一化，是采用先前训练好的归一化scaler模型对提取的特征矩阵进行归一化。
步骤2.4模型预测：
在调用之前训练好的lstm模型之前，需要重新构建建模特征输入，将其变成24*10*6的特征矩阵，调用之前训练好的lstm模型后，算出预测输出与实际输出的平均绝对误差，并与报警阈值作对比，高于阈值则报警。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (10)

1.一种基于lstm的电机电流异常检测方法，其特征在于：包括以下步骤：
S1.异常检测模型训练阶段：
S11：数据采集及处理，首先采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点；
S12：特征提取，从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得训练样本；
S13：模型训练，采用lstm算法对训练样本进行训练，保存训练好的lstm模型作为预测器，保存报警阈值；
S2.异常检测模型预测阶段：
S21：通过定时查询数据库的方式，获取实时采集电机的电流信号；
S22：对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点；
S23：从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得预测样本；
S24：将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。
2.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S11中通过网关采集电机的历史电流信号，频率为10S一组。
3.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S11中工况划分包含以下步骤：
S11.1输入数据：网关采集的电机的历史电流信号；
S11.2模型选择：采用HMM模型对输入数据进行训练；
S11.3模型参数设置：电机的工况包括停机、待机、加工工况，过滤停机信号以及启机电流，并将隐含状态数量设置为2；
S11.4返回模型结果：训练完成后将模型保存至本地，同时取出加工电流信号，作为目标工况的电流信号。
4.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S11中去除离群点具体包括如下步骤：
S11.5计算目标工况的电流信号中的下四分位数q1、上四分位数q3以及四分位距iqr＝q3-q1，设置四分位距系数ratio＝2；
S11.6计算箱体上边缘q3+ratio*iqr，以及下边缘q1-ratio*iqr；
S11.7超出上边缘或者下边缘的点即为离群点，去掉离群点。
5.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S12具体包括以下步骤：
S12.1特征提取：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，包括峰峰值、有效值、峰值因子、裕度因子、脉冲因子、峭度因子，形成240*6的特征矩阵，否则从步骤S11开始，重新选取历史电流信号，重复步骤S11-S12；
S12.2归一化：对特征矩阵进行归一化，归一化采取min-max归一化方式，归一化scaler模型保存至本地。
6.如权利要求5所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S13具体包括以下步骤：
S13.1构建建模特征输入形状，将特征矩阵240*6形状变成24*10*6；
S13.2采用keras框架建立lstm模型，模型分为三层，第一层神经元个数为32，第二层神经元个数为16，第三层神经元个数为6，优化器optimizer为“adam”，损失函数loss为“mae”；
S13.3模型训练，训练参数设置为：训练循环次数iterations＝5，每次循环训练模型迭代轮次epochs＝100，每次梯度更新的样本数batch_size＝72，训练输入数据为特征矩阵24*10*6，训练输出数据与训练输入数据相同，待收敛后，将lstm模型保存至本地，并计算出预测输出与实际输出的平均绝对误差的最大值，乘以一个系数作为报警阈值。
7.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S21定时查询数据库，时间定为每日凌晨零点开始查询，查询昨日零点至今日零点的电流信号。
8.如权利要求3所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S22调用先前训练好的HMM模型提取目标工况的电流信号。
9.如权利要求6所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S23中的特征提取，要先做判断：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，形成240*6的特征矩阵，否则停止后续操作，等待下一次定时查询数据库；归一化，是采用先前训练好的归一化scaler模型对提取的特征矩阵进行归一化。
10.如权利要求9所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S24在调用先前训练好的lstm模型之前，需要重新构建建模特征输入，将其变成24*10*6的形状，调用之前训练好的lstm模型后，计算预测输出与实际输出的平均绝对误差，并与报警阈值作对比，高于阈值则报警。
CN202110446300.2A 2021-04-25 2021-04-25 一种基于lstm的电机电流异常检测方法 Active CN113361324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110446300.2A CN113361324B (zh) 2021-04-25 2021-04-25 一种基于lstm的电机电流异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110446300.2A CN113361324B (zh) 2021-04-25 2021-04-25 一种基于lstm的电机电流异常检测方法

Publications (2)

Publication Number Publication Date
CN113361324A true CN113361324A (zh) 2021-09-07
CN113361324B CN113361324B (zh) 2023-06-30

Family

ID=77525361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110446300.2A Active CN113361324B (zh) 2021-04-25 2021-04-25 一种基于lstm的电机电流异常检测方法

Country Status (1)

Country Link
CN (1) CN113361324B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002597A (zh) * 2021-10-25 2022-02-01 浙江理工大学 基于gru网络定子电流分析的电机故障诊断方法与系统
CN115909678A (zh) * 2022-11-07 2023-04-04 浙江中控技术股份有限公司 一种机组设备参数预警方法、装置及存储介质
CN116068479A (zh) * 2023-03-07 2023-05-05 潍柴动力股份有限公司 燃料电池耐久试验中输出性能信号的异常检测方法与装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377108A (en) * 1992-04-28 1994-12-27 Takata Corporation Method for predicting impact and an impact prediction system for realizing the same by using neural networks
CN107590506A (zh) * 2017-08-17 2018-01-16 北京航空航天大学 一种基于特征处理的复杂设备故障诊断方法
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
US20190294869A1 (en) * 2018-03-26 2019-09-26 Nvidia Corporation Object behavior anomaly detection using neural networks
CN110348508A (zh) * 2019-07-04 2019-10-18 创新奇智(青岛)科技有限公司 检验异常值的数据核验方法及其系统、电子设备
US20190376840A1 (en) * 2017-02-15 2019-12-12 Nippon Telegraph And Telephone Corporation Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor
KR20200022948A (ko) * 2018-08-24 2020-03-04 포항공과대학교 산학협력단 로봇 팔의 고장 진단 및 예측 방법
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring
CN111259717A (zh) * 2019-10-21 2020-06-09 杭州安脉盛智能技术有限公司 一种旋转设备状态异常判断方法及系统
CN111353482A (zh) * 2020-05-25 2020-06-30 天津开发区精诺瀚海数据科技有限公司 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN112171376A (zh) * 2020-08-21 2021-01-05 杭州玖欣物联科技有限公司 一种基于电流信号分割的机床工件实时统计方法
US20210084375A1 (en) * 2019-09-15 2021-03-18 Comscore, Inc. Systems and methods for predicting viewership and detecting anomalies

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377108A (en) * 1992-04-28 1994-12-27 Takata Corporation Method for predicting impact and an impact prediction system for realizing the same by using neural networks
US20190376840A1 (en) * 2017-02-15 2019-12-12 Nippon Telegraph And Telephone Corporation Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor
CN107590506A (zh) * 2017-08-17 2018-01-16 北京航空航天大学 一种基于特征处理的复杂设备故障诊断方法
US20190294869A1 (en) * 2018-03-26 2019-09-26 Nvidia Corporation Object behavior anomaly detection using neural networks
CN108596229A (zh) * 2018-04-13 2018-09-28 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
KR20200022948A (ko) * 2018-08-24 2020-03-04 포항공과대학교 산학협력단 로봇 팔의 고장 진단 및 예측 방법
US20200104639A1 (en) * 2018-09-28 2020-04-02 Applied Materials, Inc. Long short-term memory anomaly detection for multi-sensor equipment monitoring
CN110109015A (zh) * 2019-05-31 2019-08-09 中南大学 一种基于深度学习的异步电动机故障监测与诊断方法
CN110348508A (zh) * 2019-07-04 2019-10-18 创新奇智(青岛)科技有限公司 检验异常值的数据核验方法及其系统、电子设备
US20210084375A1 (en) * 2019-09-15 2021-03-18 Comscore, Inc. Systems and methods for predicting viewership and detecting anomalies
CN111259717A (zh) * 2019-10-21 2020-06-09 杭州安脉盛智能技术有限公司 一种旋转设备状态异常判断方法及系统
CN111353482A (zh) * 2020-05-25 2020-06-30 天津开发区精诺瀚海数据科技有限公司 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN112171376A (zh) * 2020-08-21 2021-01-05 杭州玖欣物联科技有限公司 一种基于电流信号分割的机床工件实时统计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张洋，姬波，卢红星，娄铮铮: "基于LSTM神经网络的短期高压负荷电流预测方法", 《计算机科学》 *
张洋，姬波，卢红星，娄铮铮: "基于LSTM神经网络的短期高压负荷电流预测方法", 《计算机科学》, vol. 46, no. 6, 15 June 2019 (2019-06-15), pages 49 - 54 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002597A (zh) * 2021-10-25 2022-02-01 浙江理工大学 基于gru网络定子电流分析的电机故障诊断方法与系统
CN115909678A (zh) * 2022-11-07 2023-04-04 浙江中控技术股份有限公司 一种机组设备参数预警方法、装置及存储介质
CN116068479A (zh) * 2023-03-07 2023-05-05 潍柴动力股份有限公司 燃料电池耐久试验中输出性能信号的异常检测方法与装置

Also Published As

Publication number Publication date
CN113361324B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN113361324B (zh) 一种基于lstm的电机电流异常检测方法
CN108496123B (zh) 对机器进行振动诊断监测的方法以及装置
Cheng et al. High-accuracy unsupervised fault detection of industrial robots using current signal analysis
CN109857079B (zh) 加工中心主轴系统工作状态异常的智能诊断方法及装置
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN113408068A (zh) 一种随机森林分类的机泵故障诊断方法及装置
US20240185115A1 (en) Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
CN113189941A (zh) 一种电厂发电设备的故障智能预警方法及系统
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN117961643A (zh) 一种基于多轴电流信号的数控机床在线故障监测方法
CN116086814A (zh) 一种重型燃气轮机故障分析与智能诊断系统
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
CN111176226A (zh) 一种基于运行工况的设备特征参数报警阈值自动分析方法
CN117972600A (zh) 一种基于多维故障特征学习的风电机组关键部件异常探测方法
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
US11339763B2 (en) Method for windmill farm monitoring
CN115114964B (zh) 一种基于数据驱动的传感器间歇性故障诊断方法
Kruglova et al. Intelligent Sensorless Fault Diagnosis of Mechatronics Module
CN113960541A (zh) 一种基于海量频域数据和移动平均法的雷达故障预警方法
CN114412447A (zh) 一种螺杆泵井的故障检测方法及装置
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration
Waters et al. Vibration Anomaly Detection using Deep Autoencoders for Smart Factory
CN113433456B (zh) 一种基于电流波形相似度的发电机故障诊断系统及方法

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