CN114241294A - 一种设备异常检测的方法、系统、设备及存储介质 - Google Patents
一种设备异常检测的方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114241294A CN114241294A CN202111320478.9A CN202111320478A CN114241294A CN 114241294 A CN114241294 A CN 114241294A CN 202111320478 A CN202111320478 A CN 202111320478A CN 114241294 A CN114241294 A CN 114241294A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- model
- multivariate
- equipment
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种设备异常检测的方法、系统、设备及存储介质,方法包括:在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,将其输入到异常特征提取模型进行特征提取,获得多变量时序序列数据,对多变量时序序列数据中的部分数据或全部数据,进行子序列划分,获得多变量子序列段数据,将其输入到预设异常检测模型中进行误差判定,获得目标设备的异常状态判断结果。通过对经过异常特征提取的多变量时序序列数据进行子序列化分,在保证数据准确的基础上,获得了反应设备异常的多变量子序列段数据,使本发明相较于现有技术,在检测准确性和检测效率上均有提高。可见,本发明提高了对电力设备异常检测的效率。
Description
技术领域
本发明涉及设备检测领域,特别是涉及一种设备异常检测的方法、系统、设备及存储介质。
背景技术
目前,在对电力设备进行异常检测时,通常是由运维人员根据电力设备的运检参数,或光波观测设备对电力设备的异常状态进行检测。其中,运维人员利用光波观测设备进行异常状态检测时,利用光波观测设备对电力设备的红外光、紫外光或可见光图像进行检测。
但是,现有技术需要运维人员分别携带上述三种光波观测设备,分别采集电力设备的三种光波谱段下的图像信息,然后由人工针对三种图像信息进行故障分析,才能确定目前电力设备是否处于异常状态,且在图像信息中的特征不明显时,通过人工判断的方式容易引起误判。这导致现有技术对于电力设备异常检测的效率降低。因此,如何提高对电力设备异常检测的效率,是目前亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种设备异常检测的方法、系统、设备及存储介质,以实现提高对电力设备异常检测的效率。具体技术方案如下:
一种设备异常检测的方法,所述方法包括:
在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,所述三光采集设备为可同时采集所述目标设备的三种光波谱段的图像数据的设备,所述三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,所述三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段。
将所述三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据。
对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据。
将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果。
可选的,所述预设异常检测模型由预设生成模型、预设判别模型和结果融合模型组成,所述将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果,包括:
将所述多变量子序列段数据输入到所述预设生成模型中,以使所述预设生成模型根据所述多变量子序列段数据生成模拟样本,并计算模拟样本与所述目标设备正常运行的真实样本间的重构误差。
将所述多变量子序列段数据输入到所述预设判别模型中,以使所述预设判别模型根据所述多变量子序列段数据生成判别误差,其中所述判别误差是指所述目标设备正常或所述目标设备异常。
将所述重构误差和所述判别误差输入到所述结果融合模型中进行加权结果融合,获得判定结果,其中,所述判定结果为所述目标设备运行正常或所述目标设备运行异常。
可选的,所述方法还包括:
根据预设数据库中存储的时序序列数据特征,确定与所述多变量时序序列数据中的部分数据或全部数据对应的所述预设窗口与所述步长。
可选的,所述预设生成模型的训练过程,包括:
利用所述目标设备正常运行的数据作为输入,对生成模型进行训练,获得所述预设生成模型,其中,所述预设生成模型的输出为所述模拟样本与所述目标设备正常运行的真实样本间的重构误差。
可选的,所述预设判别模型的训练过程,包括:
利用所述目标设备正常运行的数据和所述目标设备异常运行的数据,对判别模型进行训练,获得所述预设判别模型,其中,所述预设判别模型的输出为所述目标设备正常或所述目标设备异常。
可选的,所述对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据,包括:
利用预设缺失值处理算法和数据标准化算法,对所述多变量时序序列数据进行去除缺失数据点和错误数据点的操作,获得第一多变量时序序列数据。
利用特征选择算法对所述第一多变量时序序列数据进行降维处理和干扰维度去除处理,获得所述第二多变量时序序列数据,其中,所述第二多变量时序序列数据中数据的个数不大于所述多变量时序序列数据的数据个数。
一种设备异常检测的系统,所述系统包括:
数据采集模块,用于在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,所述三光采集设备为可同时采集所述目标设备的三种光波谱段的图像数据的设备,所述三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,所述三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段。
特征提取模块,用于将所述三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据。
子序列划分模块,用于对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据。
结果输出模块,用于将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果。
可选的,所述结果输出模块被配置为:
第一误差生成子模块,用于将所述多变量子序列段数据输入到所述预设生成模型中,以使所述预设生成模型根据所述多变量子序列段数据生成模拟样本,并计算模拟样本与所述目标设备正常运行的真实样本间的重构误差。
第二误差生成子模块,用于将所述多变量子序列段数据输入到所述预设判别模型中,以使所述预设判别模型根据所述多变量子序列段数据生成判别误差,其中所述判别误差是指所述目标设备正常或所述目标设备异常。
结果融合子模块,用于将所述重构误差和所述判别误差输入到所述结果融合模型中进行加权结果融合,获得判定结果,其中,所述判定结果为所述目标设备运行正常或所述目标设备运行异常。
可选的,所述系统还包括:
数据调用模块,用于根据预设数据库中存储的时序序列数据特征,确定与所述多变量时序序列数据中的部分数据或全部数据对应的所述预设窗口与所述步长。
可选的,所述第一误差生成子模块包括:第一训练子模块,
所述第一训练子模块利用所述目标设备正常运行的数据作为输入,对生成模型进行训练,获得所述预设生成模型,其中,所述预设生成模型的输出为所述模拟样本与所述目标设备正常运行的真实样本间的重构误差。
可选的,所述第二误差生成子模块包括:第二训练子模块,
所述第二训练子模块利用所述目标设备正常运行的数据和所述目标设备异常运行的数据,对判别模型进行训练,获得所述预设判别模型,其中,所述预设判别模型的输出为所述目标设备正常或所述目标设备异常。
可选的,所述子序列划分模块包括:
第一预处理子模块,用于利用预设缺失值处理算法和数据标准化算法,对所述多变量时序序列数据进行去除缺失数据点和错误数据点的操作,获得第一多变量时序序列数据。
第二预处理子模块,用于利用特征选择算法对所述第一多变量时序序列数据进行降维处理和干扰维度去除处理,获得所述第二多变量时序序列数据,其中,所述第二多变量时序序列数据中数据的个数不大于所述多变量时序序列数据的数据个数。
一种设备异常检测的设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器。
其中所述处理器被配置为执行所述指令,以实现如上述任一项所述的设备异常检测的方法。
一种计算机可读存储介质,当所述计算机可读存储介质中的指令由所述设备的所述处理器执行时,使得所述设备异常检测的设备能够执行如上述任一项所述的设备异常检测的方法。
本发明实施例提供的一种设备异常检测的方法、系统、设备及存储介质,
通过按照预设窗口和预设步长,对经过异常特征提取的多变量时序序列数据进行子序列化分,在保证数据准确的基础上,获得了能反应目标设备异常状态的多变量子序列段数据,使得本发明相较于现有技术需要由人工对图像中的异常状态进行识别的方式,在检测准确性和检测效率上均有提高。同时,本发明利用预设异常检测模型对多变量子序列段数据进行误差判定,使得本发明相较于现有技术中人工判别的方式,进一步提升了检测效率。最后,本发明通过采用三光采集设备获取三光融合图像序列数据的方式,代替了现有技术中需要运维人员携带三种光波观测设备进行图像采集的方式,使得本发明相较于现有技术,简化了检测数据的获取流程,提高了检测效率。可见,本发明提高了对电力设备异常检测的效率。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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为本发明实施例提供的一种设备异常检测的方法的流程图;
图2为本发明实施例提供的一种设备异常检测的系统的框图;
图3为本发明实施例提供的一种设备异常检测的设备的框图。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种设备异常检测的方法,如图1所示,方法包括:
S101、在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,三光采集设备为可同时采集目标设备的三种光波谱段的图像数据的设备,三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段。
可选的,上述三光采集设备是集成有红外光、紫外光和可见光三种光波通道的图像采集设备。三光采集设备可以输出三光融合图像序列数据,通过预设配准算法和预设时域帧对齐算法,将三种光波谱段的图像进行融合,获得三光融合图像序列数据。本发明通过采用三光采集设备对目标设备进行数据采集,使得本发明相较于现有技术,需要由运维人员携带三种光波观测设备获取目标设备图像,并通过人工对三种光波图像进行分析的方式,提高了工作效率。上述特征用于反应目标设备的异常状况。
S102、将三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据。
可选的,在本发明的一个可选实施例中,上述多变量时序序列数据可以是同一时间点对应多个异常特征的序列数据。,上述异常特征包括但不限于:粗糙度、对比度、方向度、前后帧热点温差、设备温度均值、设备极差、放电光子数和光斑面积。其中粗糙度、对比度和方向度为可见光波谱段特征,前后帧热点温差、设备温度均值和设备温度极差为红外光波谱段特征,放电光子数和光斑面积为紫外光波谱段特征。
可选的,在本发明的另一个可选实施例中,上述异常特征提取模型包括:可见光异常特征提取模型、红外光异常特征提取模型和紫外光异常特征提取模型。本发明通过建立异常特征提取模型对三光融合图像序列数据中,反应目标设备异常状况的特征进行提取,使得本发明相较于现有技术,需要有人工对图像数据进行判定的方式,在保证对目标设备异常特征提取准确率的同时,提高了检测效率。
可以理解的是,可见光特征提取模型可以基于Tamura提出的纹理特征算法进行提取;红外光异常特征提取模型可以先基于最大类间方差法,对红外图像进行目标设备和背景的分割,再基于最值、均值和极差计算反应目标设备异常状况的特征值。异常特征提取模型可以基于二值化、形态学滤波、去除最小区域和时序数据累加进行特征提取。
S103、对多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据。
可选的,在本发明的一个可选实施例中,在进行上述子序列划分之前,可以对多变量时序序列数据进行预处理,将多变量时序序列数据中,存在错误、缺失的数据点,以及不存在的无效特征维度进行去除,从而减少需要进行子序列划分的数据数量,在保证数据准确率的情况下,提高整体检测效率。
其中,上述预处理的方式包括但不限于:缺失值处理、数据标准化和特征选择等。可以理解的是,上述预处理可以通过预处理算法实现,预处理算法的类型包括但不限于:奇异值分解算法(Singular Value Decomposition,SVD)、主成分分析算法(PrincipalComponent Analysis,PCA)和线性判别式分析算法(Linear DiscriminantAnalysis,LDA)。
可选的,在本发明的另一个可选实施例中,对于上述经过预处理的多变量时序序列数据,按照预设窗口和预设步长进行子序列划分,目的是为了消除预处理操作带来的噪点对最终检测结果的影响,且经过子序列划分后获得的多变量子序列段数据,按照时间先后顺序分为了多个时间段,有利于捕获时间序列分布的时间相关性,使得检测结果更为准确。同时,位于特定窗口和步长的多变量时序序列数据,可以准确反映目标设备的异常状况。其中,上述预设窗口和预设步长可以根据历史运检数据和目标设备性能参数获取,本发明对此不做过多限制。
S104、将多变量子序列段数据输入到预设异常检测模型中,以使预设异常检测模型对多变量子序列段数据进行误差判定,获得目标设备的异常状态判断结果。
可选的,本发明利用预设异常检测模型执行对目标设备异常状态的结果判定,使得本发明相较于现有技术,通过人工方式对目标设备的异常状态进行判定的方式,其检测效率得以提高。
本发明通过按照预设窗口和预设步长,对经过异常特征提取的多变量时序序列数据进行子序列化分,在保证数据准确的基础上,获得了能反应目标设备异常状态的多变量子序列段数据,使得本发明相较于现有技术需要由人工对图像中的异常状态进行识别的方式,在检测准确性和检测效率上均有提高。同时,本发明利用预设异常检测模型对多变量子序列段数据进行误差判定,使得本发明相较于现有技术中人工判别的方式,进一步提升了检测效率。最后,本发明通过采用三光采集设备获取三光融合图像序列数据的方式,代替了现有技术中需要运维人员携带三种光波观测设备进行图像采集的方式,使得本发明相较于现有技术,简化了检测数据的获取流程,提高了检测效率。可见,本发明提高了对电力设备异常检测的效率。
可选的,预设异常检测模型由预设生成模型、预设判别模型和结果融合模型组成,将多变量子序列段数据输入到预设异常检测模型中,以使预设异常检测模型对多变量子序列段数据进行误差判定,获得目标设备的异常状态判断结果,包括:
将多变量子序列段数据输入到预设生成模型中,以使预设生成模型根据多变量子序列段数据生成模拟样本,并计算模拟样本与目标设备正常运行的真实样本间的重构误差。
将多变量子序列段数据输入到预设判别模型中,以使预设判别模型根据多变量子序列段数据生成判别误差,其中判别误差是指目标设备正常或目标设备异常。
将重构误差和判别误差输入到结果融合模型中进行加权结果融合,获得判定结果,其中,判定结果为目标设备运行正常或目标设备运行异常。
本领域技术人员可以理解的是,在本发明其他可选实施例中,利用目标设备正常运行的数据作为训练集对上述预设生成模型和预设判别模型进行训练,利用目标设备正常运行的数据和非正常运行的数据作为训练集对上述预设结果融合模型进行训练。
可选的,在本发明其他可选实施例中,上述预设生成模型采用的基础网络结构包括但不限于:生成式对抗网络(Generative Adversarial Networks,GAN)、变分自编码器(Variational Auto-Encoder,VAE)和隐藏马尔科夫链等。上述预设判别模型采用的基础网络结构包括但不限于:线性回归网络(Linear Regression,LR),逻辑回归网络(LogisticRegression,LR),支持向量机(Support Vector Machine,SVM)等。上述预设结果融合模型的基础网络结构包括但不限于:选择投票和权值平均等。
可选的,上述重构误差反应了估计量与被估计量之间的差异程度,在本发明的一个可选实施例中,重构误差反映了模拟样本与目标设备正常运行的真实样本间的差异程度。上述重构误差可以使用均方误差(Mean-Square Error,MSE)获取。
可选的,在本发明的一个可选实施例中,上述预设判别模型经过训练后,可以直接作为目标设备异常状态的检测结果。
可选的,上述方法还包括:
根据预设数据库中存储的时序序列数据特征,确定与多变量时序序列数据中的部分数据或全部数据对应的预设窗口与步长。
可选的,在本发明的一个可选实施例中,上述预设窗口与步长的来源包括但不限于:目标设备运行周期、目标设备历史运检数据、目标设备性能参数和采集数据的帧率。上述预设窗口与步长可以依据实验结果进行微调。可选的,预设生成模型的训练过程,包括:
利用目标设备正常运行的数据作为输入,对生成模型进行训练,获得预设生成模型,其中,预设生成模型的输出为模拟样本与目标设备正常运行的真实样本间的重构误差。
可选的,预设判别模型的训练过程,包括:
利用目标设备正常运行的数据和目标设备异常运行的数据,对判别模型进行训练,获得预设判别模型,其中,预设判别模型的输出为目标设备正常或目标设备异常。
可选的,对多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据,包括:
利用预设缺失值处理算法和数据标准化算法,对多变量时序序列数据进行去除缺失数据点和错误数据点的操作,获得第一多变量时序序列数据;
利用特征选择算法对第一多变量时序序列数据进行降维处理和干扰维度去除处理,获得第二多变量时序序列数据,其中,第二多变量时序序列数据中数据的个数不大于多变量时序序列数据的数据个数。
本发明通过按照预设窗口和预设步长,对经过异常特征提取的多变量时序序列数据进行子序列化分,在保证数据准确的基础上,获得了能反应目标设备异常状态的多变量子序列段数据,使得本发明相较于现有技术需要由人工对图像中的异常状态进行识别的方式,在检测准确性和检测效率上均有提高。同时,本发明利用预设异常检测模型对多变量子序列段数据进行误差判定,使得本发明相较于现有技术中人工判别的方式,进一步提升了检测效率。最后,本发明通过采用三光采集设备获取三光融合图像序列数据的方式,代替了现有技术中需要运维人员携带三种光波观测设备进行图像采集的方式,使得本发明相较于现有技术,简化了检测数据的获取流程,提高了检测效率。可见,本发明提高了对电力设备异常检测的效率。
与上述设备异常检测的方法实施例相对应,本发明还提供了一种设备异常检测的系统,如图2所示,系统包括:
数据采集模块201,用于在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,三光采集设备为可同时采集目标设备的三种光波谱段的图像数据的设备,三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段;
特征提取模块202,用于将三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据;
子序列划分模块203,用于对多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据;
结果输出模块204,用于将多变量子序列段数据输入到预设异常检测模型中,以使预设异常检测模型对多变量子序列段数据进行误差判定,获得目标设备的异常状态判断结果。
可选的,上述结果输出模块204包括:
第一误差生成子模块,用于将多变量子序列段数据输入到预设生成模型中,以使预设生成模型根据多变量子序列段数据生成模拟样本,并计算模拟样本与目标设备正常运行的真实样本间的重构误差。
第二误差生成子模块,用于将多变量子序列段数据输入到预设判别模型中,以使预设判别模型根据多变量子序列段数据生成判别误差,其中判别误差是指目标设备正常或目标设备异常。
结果融合子模块,用于将重构误差和判别误差输入到结果融合模型中进行加权结果融合,获得判定结果,其中,判定结果为目标设备运行正常或目标设备运行异常。
可选的,上述系统还包括:
数据调用模块,用于根据预设数据库中存储的时序序列数据特征,确定与多变量时序序列数据中的部分数据或全部数据对应的预设窗口与步长。
可选的,第一误差生成子模块包括:第一训练子模块,
第一训练子模块利用目标设备正常运行的数据作为输入,对生成模型进行训练,获得预设生成模型,其中,预设生成模型的输出为模拟样本与目标设备正常运行的真实样本间的重构误差。
可选的,第二误差生成子模块包括:第二训练子模块,
第二训练子模块利用目标设备正常运行的数据和目标设备异常运行的数据,对判别模型进行训练,获得预设判别模型,其中,预设判别模型的输出为目标设备正常或目标设备异常。
可选的,子序列划分模块203包括:
第一预处理子模块,用于利用预设缺失值处理算法和数据标准化算法,对多变量时序序列数据进行去除缺失数据点和错误数据点的操作,获得第一多变量时序序列数据。
第二预处理子模块,用于利用特征选择算法对第一多变量时序序列数据进行降维处理和干扰维度去除处理,获得第二多变量时序序列数据,其中,第二多变量时序序列数据中数据的个数不大于多变量时序序列数据的数据个数。
本发明实施例提供了一种设备异常检测的设备,如图3所示,包括:
处理器301;
用于存储处理器301可执行指令的存储器302。
其中处理器301被配置为执行指令,以实现如上述任一项的设备异常检测的方法。
本发明实施例提供了一种计算机可读存储介质,当计算机可读存储介质中的指令由设备的处理器执行时,使得设备异常检测的设备能够执行如上述任一项的设备异常检测的方法。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,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。
需要说明的是,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。还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种设备异常检测的方法,其特征在于,所述方法包括:
在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,所述三光采集设备为可同时采集所述目标设备的三种光波谱段的图像数据的设备,所述三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,所述三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段;
将所述三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据;
对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据;
将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果。
2.根据权利要求1所述的方法,其特征在于,所述预设异常检测模型由预设生成模型、预设判别模型和结果融合模型组成,所述将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果,包括:
将所述多变量子序列段数据输入到所述预设生成模型中,以使所述预设生成模型根据所述多变量子序列段数据生成模拟样本,并计算模拟样本与所述目标设备正常运行的真实样本间的重构误差;
将所述多变量子序列段数据输入到所述预设判别模型中,以使所述预设判别模型根据所述多变量子序列段数据生成判别误差,其中所述判别误差是指所述目标设备正常或所述目标设备异常;
将所述重构误差和所述判别误差输入到所述结果融合模型中进行加权结果融合,获得判定结果,其中,所述判定结果为所述目标设备运行正常或所述目标设备运行异常。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设数据库中存储的时序序列数据特征,确定与所述多变量时序序列数据中的部分数据或全部数据对应的所述预设窗口与所述步长。
4.根据权利要求2所述的方法,其特征在于,所述预设生成模型的训练过程,包括:
利用所述目标设备正常运行的数据作为输入,对生成模型进行训练,获得所述预设生成模型,其中,所述预设生成模型的输出为所述模拟样本与所述目标设备正常运行的真实样本间的重构误差。
5.根据权利要求2所述的方法,其特征在于,所述预设判别模型的训练过程,包括:
利用所述目标设备正常运行的数据和所述目标设备异常运行的数据,对判别模型进行训练,获得所述预设判别模型,其中,所述预设判别模型的输出为所述目标设备正常或所述目标设备异常。
6.根据权利要求1所述的方法,其特征在于,所述对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据,包括:
利用预设缺失值处理算法和数据标准化算法,对所述多变量时序序列数据进行去除缺失数据点和错误数据点的操作,获得第一多变量时序序列数据;
利用特征选择算法对所述第一多变量时序序列数据进行降维处理和干扰维度去除处理,获得所述第二多变量时序序列数据,其中,所述第二多变量时序序列数据中数据的个数不大于所述多变量时序序列数据的数据个数。
7.一种设备异常检测的系统,其特征在于,所述系统包括:
数据采集模块,用于在预设时长内,使用三光采集设备对目标设备进行数据采集,获得三光融合图像序列数据,其中,所述三光采集设备为可同时采集所述目标设备的三种光波谱段的图像数据的设备,所述三光融合图像序列数据中的每一个三光融合图像均携带有三种光波谱段的图像特征,所述三种光波谱段包括红外光波谱段、紫外光波谱段和可见光波谱段;
特征提取模块,用于将所述三光融合图像序列数据输入到异常特征提取模型进行特征提取,获得多变量时序序列数据;
子序列划分模块,用于对所述多变量时序序列数据中的部分数据或全部数据,按照预设窗口和预设步长进行子序列划分,获得多变量子序列段数据;
结果输出模块,用于将所述多变量子序列段数据输入到预设异常检测模型中,以使所述预设异常检测模型对所述多变量子序列段数据进行误差判定,获得所述目标设备的异常状态判断结果。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括:
数据调用模块,用于根据预设数据库中存储的时序序列数据特征,确定与所述多变量时序序列数据中的部分数据或全部数据对应的所述预设窗口与所述步长。
9.一种设备异常检测的设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的设备异常检测的方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由所述设备的所述处理器执行时,使得所述设备异常检测的设备能够执行如权利要求1至6中任一项所述的设备异常检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320478.9A CN114241294A (zh) | 2021-11-09 | 2021-11-09 | 一种设备异常检测的方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320478.9A CN114241294A (zh) | 2021-11-09 | 2021-11-09 | 一种设备异常检测的方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241294A true CN114241294A (zh) | 2022-03-25 |
Family
ID=80748813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111320478.9A Pending CN114241294A (zh) | 2021-11-09 | 2021-11-09 | 一种设备异常检测的方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241294A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510302A (zh) * | 2022-11-16 | 2022-12-23 | 西北工业大学 | 基于大数据统计的智能工厂数据分类方法 |
CN115793553A (zh) * | 2023-02-09 | 2023-03-14 | 北京徐工汉云技术有限公司 | 工程机械工况控制方法、装置、电子设备和存储介质 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
-
2021
- 2021-11-09 CN CN202111320478.9A patent/CN114241294A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115510302A (zh) * | 2022-11-16 | 2022-12-23 | 西北工业大学 | 基于大数据统计的智能工厂数据分类方法 |
CN115793553A (zh) * | 2023-02-09 | 2023-03-14 | 北京徐工汉云技术有限公司 | 工程机械工况控制方法、装置、电子设备和存储介质 |
CN115793553B (zh) * | 2023-02-09 | 2023-05-09 | 北京徐工汉云技术有限公司 | 工程机械工况控制方法、装置、电子设备和存储介质 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN115896817B (zh) * | 2023-03-08 | 2023-05-19 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114241294A (zh) | 一种设备异常检测的方法、系统、设备及存储介质 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
EP2854053B1 (en) | Defect prediction method and device | |
Bastos et al. | Universal waveshape-based disturbance detection in power quality data using similarity metrics | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
US20020042692A1 (en) | System for surveillance of spectral signals | |
KR20180072954A (ko) | 태양전지모듈 발전량 예측방법 및 예측장치 | |
CN113626502B (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
EP3422517B1 (en) | A method for recognizing contingencies in a power supply network | |
CN116976682B (zh) | 一种基于模糊算法的用电信息采集系统运行状态评估方法 | |
CN112565422B (zh) | 一种对电力物联网故障数据的识别方法、系统和存储介质 | |
JP2021081975A (ja) | 会計情報処理装置、会計情報処理方法及び会計情報処理プログラム | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN112463848A (zh) | 检测用户异常行为的检测方法、系统、装置和存储介质 | |
CN116522151A (zh) | 一种半监督负荷识别及分解方法、系统及存储介质 | |
Taskovski et al. | Classification of power quality disturbances using wavelets and support vector machine | |
CN116739829A (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN115495274A (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
US20210287154A1 (en) | Information processing device, information processing method, and computer program product | |
CN113806495B (zh) | 一种离群机器检测方法和装置 | |
CN117647725B (zh) | Pcba的老化测试方法及系统 | |
CN117472898B (zh) | 一种基于融合的配电网异常数据纠错方法及系统 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
Jain et al. | The L-CAPE Project at FNAL |
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 |