CN114553681A - 设备状态异常检测方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种设备状态异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取设备的初期无故障运行数据的特征集作为历史初始特征集；根据历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；根据历史特征集，得到历史数据矩阵，将历史数据矩阵作为训练样本，得到训练好的卷积降噪网络；将实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据异常水平值与异常阈值的大小关系，判断设备是否异常。采用本方法能够在更低的虚警率下取得更高的异常检测精度。

Description

设备状态异常检测方法、装置和计算机设备

技术领域

本申请涉及装备状态监测和故障诊断技术领域，特别是涉及一种设备状态异常检测方法、装置、计算机设备和存储介质。

背景技术

随着现代机械设备智能化不断提高，设备中布置了大量传感器监控设备的运行状态，为异常检测方法提供了大量高维运行数据。由于在机械设备实际运行过程中，一些异常在发生初期往往并不会严重影响设备的运行，这些潜在的异常使得难以对正常和异常的数据进行准确区分。另外，异常的发生也可能造成设备停机和损坏使得设备异常状态下的运行数据难以采集，导致数据集存在不平衡的问题。在这种数据条件下，无监督学习方法中的自编码器被广泛应用。

但是，这类方法在很大程度上存在缺陷，例如：机械设备中的异常信号能够通过机械结构传递，导致异常信号能够被多个传感器检测到，故不可避免的存在冗余特征。而传统方法忽略了对这些特征的处理，导致故障信号被众多叠加噪声掩盖影响检测效果并使得检测网络规模庞大。另外，工业上广泛应用的超限检测方法在实际运用中存在运行参数难以准确标定的问题，并且潜在的安全隐患无法被规则检测出来。并且，现行设备监测系统独立运行，对数据的综合分析能力不足。

发明内容

基于此，有必要针对上述技术问题，提供一种设备状态异常检测方法、装置、计算机设备和存储介质。

一种设备状态异常检测方法，所述方法包括：

获取设备的初期无故障运行数据的特征集作为历史初始特征集；

根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

在其中一个实施例中，还包括：根据所述历史初始特征集特征之间的距离相关系数，得到距离相关系数矩阵为：

其中，m代表历史初始特征集中特征的数量，X_i为历史初始特征集的第i个特征，X_j为历史初始特征集的第j个特征，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数；初始化所述历史初始特征集

当特征X_i不在历史初始特征集内时，初始化历史初始特征子集U_i＝{X_i}，根据所述距离相关系数矩阵对向量D_i，.进行搜索，其中，D_i，.表示距离相关系数矩阵中特征X_i所在的行向量；当特征X_i在历史初始特征集

内时，跳过对向量D_i，.的搜索；迭代搜索并更新所述历史初始特征集U，将更新后的历史初始特征集U划分为特征子集U₁，U₂，…，U_k(k为特征子集的个数)，得到历史相关特征子集。

在其中一个实施例中，还包括：根据所述历史相关特征子集，得到特征代表性指标为：

其中，特征X_i∈U_j，X_i为历史初始特征集的第i个特征，|U_j|为相关特征子集U_j中特征的个数，C_UU_j为U_j的补集；根据所述特征代表性指标筛除所述相关特征子集内的冗余特征，得到历史特征集。

在其中一个实施例中，还包括：设定相关性阈值，当所述向量D_i，.中存在D_i，j>θ(0＜j≤m)时，将满足条件的特征X_j纳入历史初始特征子集U_i；逐一对D_j，.进行阈值判断，将满足D_j，k＞θ(0＜k≤m)的特征纳入历史初始特征子集U_i，对所有新纳入U_i的特征搜索完成后，更新历史初始特征集U＝U∪U_i；当向量D_i，.中不存在D_i，j＞θ(0＜j≤m)时，直接更新历史初始特征集＝U∪U_i；其中，θ为相关性阈值，D_i，.表示距离相关系数矩阵中特征X_i所在的行向量，D_j，.表示距离相关系数矩阵中特征X_j所在的行向量，D_i，j表示距离相关系数矩阵第i行第j列对应的dcor(X_i，X_j)，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数，D_j，k表示表示距离相关系数矩阵第j行第k列对应的dcor(X_j，X_k)，dcor(X_j，X_k)为特征X_j、X_k之间的距离相关系数。

在其中一个实施例中，还包括：选取所述相关特征子集内特征代表性指标最大的特征作为该相关特征子集的关键特征，筛除冗余特征，根据所述相关特征子集的关键特征，得到特征集。

在其中一个实施例中，还包括：对所述历史特征集中的数据进行均值平滑、数据归一化，得到预处理历史特征集；对所述预处理历史特征集进行数据切分，得到历史数据矩阵。

在其中一个实施例中，还包括：根据所述训练样本和所述卷积降噪网络，得到每个周期内的异常水平值，将满足虚警率要求的最大所述异常水平值设定为异常阈值。

在其中一个实施例中，还包括：所述卷积降噪网络包括输入层、编码器、解码器和输出层；所述编码器至少包括1个编码单元，所述编码单元包括二维卷积层1、二维卷积层2和激活层，所述激活层位于所述二维卷积层1和二维卷积层2之间，所述卷积层1用于调整通道数量，所述卷积层2用于调整数据尺寸；所述解码器至少包括1个解码单元，所述解码单元包括二维反卷积层和激活层，所述二维反卷积层用于改变通道数量和调整数据尺寸。

一种设备状态异常检测装置，所述装置包括：

数据获取模块，用于获取设备的初期无故障运行数据的特征集作为历史初始特征集；

特征筛选模块，用于根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

网络训练模块，用于根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

异常检测模块，用于获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取设备的初期无故障运行数据的特征集作为历史初始特征集；

根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

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实现以下步骤：

获取设备的初期无故障运行数据的特征集作为历史初始特征集；

根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

上述设备状态异常检测方法、装置、计算机设备和存储介质，通过获取初期设备运行的无故障运行数据的特征集，并对所述特征集进行特征筛选和数据预处理，就可以得到具有时间维度的数据矩阵，对设备运行数据中的冗余特征数据的筛除，有效降低了后续处理网络的规模，缩短了网络训练时间，将所述数据矩阵作为训练样本对卷积降噪网络进行训练，将设备的实时数据矩阵输入训练好的卷积降噪网络进行异常检测，通过判断得到的异常水平值与异常阈值的大小关系，判断设备是否异常。本发明实施例，能够在较低的虚警率下取得较高的异常检测精度，实现了对设备实时运行状态的监控，并实时评估设备每个运行周期的异常水平。

附图说明

图1为一个实施例中设备状态异常检测方法的流程示意图；

图2为一个实施例中特征筛选的流程示意图；

图3为一个实施例中相关特征子集搜索算法的流程示意图；

图4为另一个实施例中卷积降噪网络的结构示意图；

图5为一个实施例中设备状态异常检测步骤的流程示意图；

图6为一个实施例中设备状态异常检测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，提供了一种设备状态异常检测方法，包括以下步骤：

步骤102，获取设备的初期无故障运行数据的特征集作为历史初始特征集。

设备的初期无故障运行数据指的是设备在正常运行下开始运行后设备中各个传感器采集到的数据，特征集包括多个特征向量，特征向量包括传感器采集的时序数据。

步骤104，根据历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集。

相关系数是衡量两个特征列之间相关程度的一种方法，取值范围[-1,1]。相关系数的绝对值越大，表明特征列X和Y的相关程度越高，当取值为1时表明正线性相关，取值为-1时表明负线性相关，距离相关系数可以衡量特征之间的相关程度，基于距离相关系数对历史初始特征集进行搜索，从而将历史初始特征集划分为多个相关特征子集，其中相关特征子集内部特征高度相关，特征代表性指标可以用于筛除相关特征子集中的冗余特征，在各个特征子集内部选取一个特征代表性指标最大的特征作为该相关特征子集的关键特征，通过对设备运行数据中的冗余特征数据进行筛除，有效降低了后续处理网络的规模，缩短了网络训练时间。

步骤106，根据历史特征集，得到历史数据矩阵，将历史数据矩阵作为训练样本，根据训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值。

历史特征集经数据平滑、归一化后，得到预处理历史特征集，对预处理历史特征集进行切分，将预处理历史特征集各个特征列中的切分数据横向拼接，得到历史数据矩阵，由于获取的数据为时间序列，因此，形成的数据矩阵在横向上为各个特征，在纵向上为时间序列片段，每一个数据矩阵都由卷积降噪网络(Convolutional Denoising Autoencoder，DCAE)输出一个重构矩阵，由MAE计算方法得到数据矩阵和重构矩阵之间的误差，对一个运行周期内的所有数据矩阵重构误差计算均值，作为这一个运行周期的异常水平，从而对每一个运行周期判断设备是否运行异常。运行周期是设备的运行周期，每一个运行周期包括众多数据矩阵。

步骤108，获取设备的实时运行数据对应的实时数据矩阵，将实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据异常水平值与异常阈值的大小关系，判断设备是否异常。

实时运行数据对应的实时数据矩阵的获取过程与对初期无故障运行数据的处理一致，计算训练样本和经卷积降噪网络输出的重构样本的MAE误差，并根据运行周期对每个周期内的MAE误差值计算均值，就可以得到该周期的异常水平值。

上述设备状态异常检测方法中，通过获取初期设备运行的无故障运行数据的特征集，并对特征集进行特征筛选和数据预处理，就可以得到具有时间维度的数据矩阵，将数据矩阵作为训练样本输入卷积降噪网络，获得正常运行周期数据在可接受虚警率下的最大异常水平值，将其设定为异常阈值。将设备的实时数据矩阵输入训练好的卷积降噪网络进行异常检测，通过判断得到的异常水平值与异常阈值的大小关系，判断设备是否异常。本发明实施例，相对于传统异常检测方法在更低的虚警率下取得了更高的异常检测精度。

在其中一个实施例中，根据历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集包括：根据历史初始特征集特征之间的距离相关系数，得到距离相关系数矩阵为：

其中，m代表历史初始特征集中特征的数量，X_i为历史初始特征集的第i个特征，X_j为历史初始特征集的第j个特征，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数；初始化历史初始特征集

当特征X_i不在历史初始特征集内时，初始化历史初始特征子集U_i＝{Xi}，根据距离相关系数矩阵对向量D_i，.进行搜索，其中，D_i，.表示距离相关系数矩阵中特征X_i所在的行向量；当特征X_i在历史初始特征集

内时，跳过对向量D_i，.的搜索；迭代搜索并更新历史初始特征集U，将更新后的历史初始特征集U划分为特征子集U₁，U₂，…，U_k(k为特征子集的个数)，得到历史相关特征子集。

在本实施例中，距离相关系数搜索的目的在于获得初始特征集全部特征两两之间的相关性关系，构成距离相关系数矩阵，通过对特征之间相关性的搜索，将初始特征集划分为多个相关特征子集，计算相关特征子集内所有特征的代表性指标，选出各个子集内的最大特征代表性指标构成特征集，从而实现了特征筛选，特征筛选包括对初始特征集中相关特征子集的搜索和对相关特征子集内部冗余特征的筛除，通过特征筛选实现了数据集特征的精简。

在其中一个实施例中，根据历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集包括：根据历史相关特征子集，得到特征代表性指标为：

其中，特征X_i∈U_j，X_i为历史初始特征集的第i个特征，|U_j|为相关特征子集U_j中特征的个数，C_UU_j为U_j的补集；根据特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集。

在本实施例中，进一步对历史相关特征子集内的特征数据进行筛选，通过特征代表性指标选取相关特征子集内的关键特征，从而得到历史特征集，进一步减少冗余数据，增加了网络处理的效率。

在其中一个实施例中，对向量D_i，.的行向量进行搜索的步骤包括：设定相关性阈值，当向量D_i，.中存在D_i，j＞θ(0＜j≤m)时，将满足条件的特征X_j纳入历史初始特征子集U_i；逐一对D_j，.进行阈值判断，将满足D_j，k＞θ(0＜k≤m)的特征纳入历史初始特征子集U_i，对所有新纳入U_i的特征搜索完成后，更新历史初始特征集U＝U∪U_i；当向量D_i，.中不存在D_i，j＞θ(0＜j≤m)时，直接更新历史初始特征集＝U∪U_i；其中，θ为相关性阈值，D_i，.表示距离相关系数矩阵中特征X_i所在的行向量，D_j，.表示距离相关系数矩阵中特征X_j所在的行向量，D_i，j表示距离相关系数矩阵第i行第j列对应的dcor(X_i，X_j)，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数，D_j，k表示表示距离相关系数矩阵第j行第k列对应的dcor(X_j，X_k)，dcor(X_j，X_k)为特征X_j、X_k之间的距离相关系数。

在本实施例中，相关特征子集搜索算法流程图如图3所示，基于距离相关系数对历史初始特征集进行搜索，从而获得各个特征之间的相关性关系，根据设定的相关性阈值将历史初始特征集划分为多个特征子集，特征子集内的特征均大于相关性阈值，如阈值为0.9，特征A和B之间，B和C之间，C和A之间的距离相关系数均大于0.9，则将A、B、C三个特征构成一个特征子集，所以子集内部特征与特征之间都是高度相关的，而高度相关的特征是冗余信息。再计算所有特征的特征代表性指标，在每个特征子集内部选取代表性指标最大的特征作为这个子集的关键特征，其余的筛除，从而降低了特征数量。

在其中一个实施例中，根据特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集包括：选取相关特征子集内特征代表性指标最大的特征作为该相关特征子集的关键特征，筛除冗余特征，根据相关特征子集的关键特征，得到特征集。

在其中一个实施例中，根据历史特征集，得到历史数据矩阵包括：对历史特征集中的数据进行均值平滑、数据归一化，得到预处理历史特征集；对预处理历史特征集进行数据切分，得到历史数据矩阵。

在其中一个实施例中，设定异常阈值的步骤包括：根据训练样本和卷积降噪网络，得到每个周期内的异常水平值，将满足虚警率要求的最大异常水平值设定为异常阈值。

在本实施例中，通常在对正常运行周期异常水平设定异常阈值时，为了提高异常检出率，可以接受一定程度的对正常运行周期的误判，检出率r_t和虚警率r_f表示为：

在其中一个实施例中，卷积降噪网络包括输入层、编码器、解码器和输出层编码器至少包括1个编码单元，编码单元包括二维卷积层1、二维卷积层2和激活层，激活层位于二维卷积层1和二维卷积层2之间，卷积层1用于调整通道数量，卷积层2用于调整数据尺寸；解码器至少包括1个解码单元，解码单元包括二维反卷积层和激活层，二维反卷积层用于改变通道数量和调整数据尺寸。

在本实施例中，具体的卷积降噪网络模型结构如图4所示，所有激活层使用ReLu激活函数，通过设置编码单元能够实现相对于传统异常检测方法在更低的虚警率下取得了更高的异常检测精度。

在一个具体实施例中，如图2所示，提供了一种特征筛选的流程示意图，图2中，实线圈表示特征之间的相关系数大于阈值，虚线圈表示为小于阈值的其他特征，输入的特征为X₁，X₂，X₃，X₄，…，X_m，根据初始特征集的距离相关系数矩阵，分析特征集整体的距离相关性，设定一个距离相关性阈值a，当两个特征之间的相关性大于a时，认为这两个特征高度相关并将这两个特征纳入同一个特征子集。首先对特征X₁进行搜索，由于X₁和X₂、X₃的相关系数大于阈值，搜索到X₂、X₃之后，沿着X₃进行搜索，其中X₃又和X₂和X₁的特征大于阈值，说明X₁、X₂、X₃相互之间的相关性系数都大于阈值，故将这三个特征都放到U₁这个特征子集中。由于X₁、X₂、X₃都已经被纳入了某一个特征子集，所以第二次搜索从未被纳入任何特征子集的特征中取出X₄，X₄与其余任何特征之间的相关性均小于阈值，所以将其单独放到第二个子集U₂中，重复上述步骤直到所有特征都被分配了特征子集，得到初始特征集的相关特征子集，最后计算所有相关特征子集的特征代表性指标，U₁中X₃的代表性指标最大，选取X₃作为U₁的关键特征，其余特征为U₁的冗余特征，将冗余特征筛除，U₂中只有X₄故选取X₄作为U₂的关键特征，U_k中X_m的代表性指标最大，选取X_m作为U_k的关键特征。将这些被选取的特征作为关键特征，由关键特征构成特征集。

在一个具体实施例中，采用航空发动机公开数据集CMPASS验证本发明方法的应用价值，将其中的正常运行数据(hs标签为1)作为训练数据，异常运行数据(hs标签为0)作为测试数据，表1为CMPASS数据集中的部分运行数据

表1数据集中部分数据

将数据集中除hs标签外的其余标签作为特征，使用训练数据对这些特征进行特征筛选，根据距离相关性系数计算方法计算上述18个特征(alt，Mach，TRA，T2，T24，T30，T48，T50，P15，P2，P21，P24，Ps30，P40，P50，Nf，Nc，Wf)两两之间的距离相关性系数，由上述各个特征之间的距离相关性系数构建所有特征的距离相关系数矩阵D，本实施例中特征集距离相关系数矩阵的部分数据如表2所示：

表2数据集相关性矩阵D中的部分数据

依据上述距离相关系数矩阵D对初始特征集的相关特征子集进行搜索，对矩阵D的分析发现，部分特征之间的距离相关性大于0.99，故尝试使用θ＝0.99对特征集进行搜索，搜索到的特征子集如表3所示：

表3特征子集搜索结果(θ＝0.99)

计算各特征的代表性指标对各个特征子集内的特征进行筛选，筛选结果如表4所示：

表4特征筛选结果

本实施例中所使用的数据集由初始的18个特征经特征筛选后得到12个特征构成的特征集，对特征集中各个特征的数据进行均值平滑和归一化，对均值平滑和归一化后的所有预处理特征集的特征向量进行数据切分，使其符合卷积降噪网络的输入，共搜索到12个特征，设置数据矩阵的长度与特征数量一致，数据矩阵的形状为T⁽ⁱ⁾∈R^12×12，网络的输入数据矩阵形状为12×12，共使用6个编码单元和6个解码单元，在编码单元中，首先由第一个编码单元将数据矩阵编码为128个通道的128×12×12的数据矩阵，再由后续编码器逐个缩小数据矩阵的通道数量和大小，在解码单元中，逐个将中间层数据的通道数量和矩阵大小同时增大，还原为原始的12×12的数据矩阵，调整训练轮数和学习率使网络输出数据和输入数据的MSE稳定收敛，训练轮数设置为120，学习率设置为0.001。计算训练样本和经卷积降噪网络输出的重构样本的MAE误差，并根据运行周期对每个周期内的MAE误差值计算均值，作为该周期的异常水平，对训练数据的周期异常水平设定异常阈值，当测试数据的周期的异常水平大于该阈值时，认为该周期设备运行异常。如图5所示，将测试数据经过特征筛选和数据预处理，将处理好的数据输入卷积降噪网络，计算测试数据的周期异常水平，当测试数据的周期异常水平大于异常阈值时，认为该周期设备运行异常。以CMPASS数据集中三组数据为例，通过与常用方法在相同虚警率下比较异常检出率，能够得出不同方法的优劣，不同虚警率下的检出率如表5所示：

表5与传统方法在不同数据组下的检测效果比较

由各个检测方法在数据集上的对比，本发明方法在所有虚警率水平下均高于传统方法，尤其是在较低虚警率水平下异常检出率显著高于传统方法。

应该理解的是，虽然图1、2、3和5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2、3和5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种设备状态异常检测装置，包括：数据获取模块602、特征筛选模块604、网络训练模块606和异常检测模块608，其中：

数据获取模块602，用于获取设备的初期无故障运行数据的特征集作为历史初始特征集；

特征筛选模块604，用于根据历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

网络训练模块606，用于根据历史特征集，得到历史数据矩阵，将历史数据矩阵作为训练样本，根据训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

异常检测模块608，用于获取设备的实时运行数据对应的实时数据矩阵，将实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据异常水平值与异常阈值的大小关系，判断设备是否异常。

在其中一个实施例中，特征筛选模块604还用于根据历史初始特征集特征之间的距离相关系数，得到距离相关系数矩阵为：

其中，m代表历史初始特征集中特征的数量，X_i为历史初始特征集的第i个特征，X_j为历史初始特征集的第j个特征，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数；初始化历史初始特征集

当特征X_i不在历史初始特征集内时，初始化历史初始特征子集U_i＝{X_i}，根据距离相关系数矩阵对向量D_i，.进行搜索，其中，D_i，.表示距离相关系数矩阵中特征X_i所在的行向量；当特征X_i在历史初始特征集

内时，跳过对向量D_i，.的搜索；迭代搜索并更新历史初始特征集U，将更新后的历史初始特征集U划分为特征子集U₁，U₂，…，U_k(k为特征子集的个数)，得到历史相关特征子集。

在其中一个实施例中，特征筛选模块604还用于根据历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集包括：根据历史相关特征子集，得到特征代表性指标为：

其中，特征X_i∈U_j，X_i为历史初始特征集的第i个特征，|U_j|为相关特征子集U_j中特征的个数，C_UU_j为U_j的补集根据特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集。

在其中一个实施例中，特征筛选模块604还用于对向量D_i，的行向量进行搜索的步骤包括：设定相关性阈值，当向量D_i，.中存在D_i，j＞θ(0＜j≤m)时，将满足条件的特征X_j纳入历史初始特征子集U_i；逐一对D_j，.进行阈值判断，将满足D_j，k>θ(0＜k≤m)的特征纳入历史初始特征子集U_i，对所有新纳入U_i的特征搜索完成后，更新历史初始特征集U＝U∪U_i；当向量D_i，.中不存在D_i，j＞θ(0＜j≤m)时，直接更新历史初始特征集＝U ∪ U_i；其中，θ为相关性阈值，Di.表示距离相关系数矩阵中特征Xi所在的行向量，D_j，.表示距离相关系数矩阵中特征X_j所在的行向量，D_i，j表示距离相关系数矩阵第i行第j列对应的dcor(X_i，X_j)，dcor(X_i，X_j)为特征X_i、X_j之间的距离相关系数，D_j，k表示表示距离相关系数矩阵第j行第k列对应的dcor(X_j，X_k)，dcor(X_j，X_k)为特征X_j、X_k之间的距离相关系数。

在其中一个实施例中，特征筛选模块604还用于根据特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集包括：选取相关特征子集内特征代表性指标最大的特征作为该相关特征子集的关键特征，筛除冗余特征，根据相关特征子集的关键特征，得到特征集。

在其中一个实施例中，网络训练模块606还用于根据历史特征集，得到历史数据矩阵包括：对历史特征集中的数据进行均值平滑、数据归一化，得到预处理历史特征集；对预处理历史特征集进行数据切分，得到历史数据矩阵。

在其中一个实施例中，网络训练模块606还用于设定异常阈值的步骤包括：根据训练样本和卷积降噪网络，得到每个周期内的异常水平值，将满足虚警率要求的最大异常水平值设定为异常阈值。

在其中一个实施例中，网络训练模块606还用于卷积降噪网络包括输入层、编码器、解码器和输出层；编码器至少包括1个编码单元，编码单元包括二维卷积层1、二维卷积层2和激活层，激活层位于二维卷积层1和二维卷积层2之间，卷积层1用于调整通道数量，卷积层2用于调整数据尺寸；解码器至少包括1个解码单元，解码单元包括二维反卷积层和激活层，二维反卷积层用于改变通道数量和调整数据尺寸。

关于设备状态异常检测装置的具体限定可以参见上文中对于设备状态异常检测方法的限定，在此不再赘述。上述设备状态异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备状态异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。

在一个实施例中，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时实现上述实施例中方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种设备状态异常检测方法，其特征在于，所述方法包括：

获取设备的初期无故障运行数据的特征集作为历史初始特征集；

根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

2.根据权利要求1所述的方法，其特征在于，所述根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集包括：

根据所述历史初始特征集特征之间的距离相关系数，得到距离相关系数矩阵为：

其中，m代表历史初始特征集中特征的数量，X_i为历史初始特征集的第i个特征，X_j为历史初始特征集的第j个特征，dcor(X_i,X_j)为特征X_i、X_j之间的距离相关系数；

初始化所述历史初始特征集

当特征X_i不在历史初始特征集内时，初始化历史初始特征子集U_i＝{X_i}，根据所述距离相关系数矩阵对向量D_i,·进行搜索，其中，D_i,·表示距离相关系数矩阵中特征X_i所在的行向量；

当特征X_i在历史初始特征集

内时，跳过对向量D_i,·的搜索；

迭代搜索并更新所述历史初始特征集U，将更新后的历史初始特征集U划分为特征子集U₁,U₂,…,U_k(k为特征子集的个数)，得到历史相关特征子集。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集包括：

根据所述历史相关特征子集，得到特征代表性指标为：

其中，特征X_i∈U_j，X_i为历史初始特征集的第i个特征，|U_j|为相关特征子集U_j中特征的个数，C_UU_j为U_j的补集；

根据所述特征代表性指标筛除所述相关特征子集内的冗余特征，得到历史特征集。

4.根据权利要求2所述的方法，其特征在于，对向量D_i,·进行搜索的步骤包括：

设定相关性阈值，当所述向量D_i,·中存在D_i,j>θ(0<j≤m)时，将满足条件的特征X_j纳入历史初始特征子集U_i；

逐一对D_j,·进行阈值判断，将满足D_j,k>θ(0<k≤m)的特征纳入历史初始特征子集U_i，对所有新纳入U_i的特征搜索完成后，更新历史初始特征集U＝U∪U_i；

当向量D_i,·中不存在D_i,j>θ(0<j≤m)时，直接更新历史初始特征集＝U∪U_i；

其中，θ为相关性阈值，D_i,·表示距离相关系数矩阵中特征X_i所在的行向量，D_j,·表示距离相关系数矩阵中特征X_j所在的行向量，D_i,j表示距离相关系数矩阵第i行第j列对应的dcor(X_i,X_j)，dcor(X_i,X_j)为特征X_i、X_j之间的距离相关系数，D_j,k表示表示距离相关系数矩阵第j行第k列对应的dcor(X_j,X_k)，dcor(X_j,X_k)为特征X_j、X_k之间的距离相关系数。

5.根据权利要求3所述的方法，其特征在于，所述根据所述特征代表性指标筛除所述相关特征子集内的冗余特征，得到历史特征集包括：

选取所述相关特征子集内特征代表性指标最大的特征作为该相关特征子集的关键特征，筛除冗余特征，根据所述相关特征子集的关键特征，得到特征集。

6.根据权利要求1所述的方法，其特征在于，所述根据所述历史特征集，得到历史数据矩阵包括：

对所述历史特征集中的数据进行均值平滑、数据归一化，得到预处理历史特征集；

对所述预处理历史特征集进行数据切分，得到历史数据矩阵。

7.根据权利要求1所述的方法，其特征在于，设定训练样本的异常阈值步骤包括：

根据所述训练样本和所述卷积降噪网络，得到每个周期内的异常水平值，将满足虚警率要求的最大所述异常水平值设定为异常阈值。

8.根据权利要求1所述的方法，其特征在于，所述卷积降噪网络包括输入层、编码器、解码器和输出层；

所述编码器至少包括1个编码单元，所述编码单元包括二维卷积层1、二维卷积层2和激活层，所述激活层位于所述二维卷积层1和二维卷积层2之间，所述卷积层1用于调整通道数量，所述卷积层2用于调整数据尺寸；

所述解码器至少包括1个解码单元，所述解码单元包括二维反卷积层和激活层，所述二维反卷积层用于改变通道数量和调整数据尺寸。

9.一种设备状态异常检测装置，其特征在于，所述装置包括：

数据获取模块，用于获取设备的初期无故障运行数据的特征集作为历史初始特征集；

特征筛选模块，用于根据所述历史初始特征集中特征之间的距离相关系数对历史初始特征集进行搜索，得到历史相关特征子集，根据所述历史相关特征子集的特征代表性指标筛除相关特征子集内的冗余特征，得到历史特征集；

网络训练模块，用于根据所述历史特征集，得到历史数据矩阵，将所述历史数据矩阵作为训练样本，根据所述训练样本训练预先构建的卷积降噪网络，得到训练好的卷积降噪网络和训练样本的异常阈值；

异常检测模块，用于获取设备的实时运行数据对应的实时数据矩阵，将所述实时数据矩阵输入训练好的卷积降噪网络，得到异常水平值，根据所述异常水平值与所述异常阈值的大小关系，判断设备是否异常。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。

Images