CN114676593A - 一种纺织设备的异常检测方法及相关装置 - Google Patents

一种纺织设备的异常检测方法及相关装置 Download PDF

Info

Publication number
CN114676593A
CN114676593A CN202210404445.0A CN202210404445A CN114676593A CN 114676593 A CN114676593 A CN 114676593A CN 202210404445 A CN202210404445 A CN 202210404445A CN 114676593 A CN114676593 A CN 114676593A
Authority
CN
China
Prior art keywords
data
reconstruction
reconstruction error
monitoring data
textile 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.)
Granted
Application number
CN202210404445.0A
Other languages
English (en)
Other versions
CN114676593B (zh
Inventor
赵薇玲
章军辉
陈大鹏
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.)
Wuxi Internet Of Things Innovation Center Co ltd
Original Assignee
Wuxi Internet Of Things Innovation Center 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 Wuxi Internet Of Things Innovation Center Co ltd filed Critical Wuxi Internet Of Things Innovation Center Co ltd
Priority to CN202210404445.0A priority Critical patent/CN114676593B/zh
Publication of CN114676593A publication Critical patent/CN114676593A/zh
Application granted granted Critical
Publication of CN114676593B publication Critical patent/CN114676593B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本申请公开了一种纺织设备的异常检测方法，涉及纺织技术领域。该方法针对多元状态参数的监测数据，制定了侧重于时间依赖性、跨变量关联性与组合关系这三种不同数据关系进行输入划分方式，分别按照这三种输入划分方式以集成形式重构聚合。聚合策略根据各重构误差大小采用加权求和方式，输出最终的集成重构值与重构误差，进而依据最终的重构误差判断纺织设备是否存在异常事件。该方法通过动态识别数据关系的重要性，能够降低虚假相关的可能性，减少噪声异常检测行为，提高异常检测结果的可靠性。本申请还公开了一种纺织设备的异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种纺织设备的异常检测方法及相关装置
技术领域
本申请涉及纺织技术领域，特别涉及一种纺织设备的异常检测方法；还涉及一种纺织设备的异常检测装置、设备以及计算机可读存储介质。
背景技术
针对纺织设备异常检测，目前采取的主要方式是设定各部件的监测变量阈值，并由传感器进行实时监测，根据监测变量阈值与实时监测到的数据进行直观的异常判断。上述方式忽略了设备整体运行的潜在异常，时间与人力成本较高，所以有必要建立异常检测与诊断模型，对纺织设备的日常运行状态进行有效监测，及时发现潜在异常。
由于在实际中难以获得带有确定性异常的工业数据，因此基于无监督学习的异常检测技术被广泛应用于工业生产中。然而，工业数据具有时间依赖性和跨变量关联性，一般情况下单一模型难以同时捕捉到两个特性所反映出的数据关系，模型无法学习较弱的数据关系，导致异常检测结果的可靠性较差。另外，多维状态监测目标对异常程度无法量化，难以体现影响异常事件发生的决定性参数及部件。
有鉴于此，如何解决上述技术缺陷已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种纺织设备的异常检测方法，对多元状态参数进行分析，并且采用侧重于时间依赖性、跨变量关联性与组合关系的输入划分策略以及聚合策略，可以解决模型出现时间依赖性和跨变量相关性混淆导致的虚假相关性问题，提高异常检测结果的可靠性。本申请的另一个目的是提供一种纺织设备的异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种纺织设备的异常检测方法，包括：
获取纺织设备的监测数据；
分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；
根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；
根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
可选的，所述根据所述最终重构误差，判断所述纺织设备是否存在异常事件包括：
计算所述最终重构误差的马氏距离；
比较所述马氏距离与第一阈值；
若所述马氏距离大于所述第一阈值，则所述监测数据为异常数据；
统计连续的所述异常数据的个数；
若连续的所述异常数据的个数大于第二阈值，则所述纺织设备存在异常事件。
可选的，确定所述第一阈值的方式包括：
计算所述纺织设备的正常状态数据的重构误差；
计算所述正常状态数据的重构误差的马氏距离；
计算所述正常状态数据的重构误差的马氏距离的概率密度函数；
根据所述概率密度函数确定所述第一阈值。
可选的，还包括：
当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
可选的，所述计算各状态参数对所述异常事件的贡献度包括：
依据公式
Figure BDA0003601710310000021
计算各状态参数对所述异常事件的贡献度；
Ck为第k个状态参数对所述异常事件的贡献度，T为连续的异常数据的个数，di为第i行样本数据的重构误差的马氏距离，di,j≠k为去除状态参数k所对应的样本数据后，求得的第i行样本数据的重构误差的马氏距离。
可选的，还包括：
将导致所述异常事件发生的最相关状态参数或部件存入知识库。
为解决上述技术问题，本申请还提供了一种纺织设备的异常检测装置，包括：
数据获取模块，用于获取纺织设备的监测数据；
数据重构模块，用于分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
重构值融合模块，用于对各所述重构值进行加权求和，得到所述监测数据的最终重构值；其中，所述重构值的权重系数与所述重构值的重构误差呈负相关；
重构误差计算模块，用于根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；
判断模块，用于根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
可选的，还包括：
贡献度计算模块，用于当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
确定模块，用于根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
为解决上述技术问题，本申请还提供了一种纺织设备的异常检测设备，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时实现如上任一项所述的纺织设备的异常检测方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质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如上任一项所述的纺织设备的异常检测方法的步骤。
本申请所提供的纺织设备的异常检测方法，包括：获取纺织设备的监测数据；分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
可见，本申请所提供的纺织设备的异常检测方法，采用输入划分策略，在进行数据重构时，分别侧重于时间依赖性、跨变量关联性和组合关系这三种不同的数据关系，使得较强和较弱的数据关系得以综合体现，可以提取到更好的数据表征。另外，本申请采用集成聚合策略，根据重构误差大小动态识别各数据点最重要的数据关系，降低重构值与原始值的差异。利用输入划分策略和集成聚合策略进行异常检测，可以解决模型出现时间依赖性和跨变量相关性混淆导致的虚假相关性问题，提高异常检测结果的可靠性。
本申请所提供的纺织设备的异常检测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和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申请的一些实施例，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为本申请实施例所提供的一种纺织设备的异常检测方法的流程示意图；
图2为本申请实施例所提供的一种输入划分策略的示意图；
图3为本申请实施例所提供的一种纺织设备的异常检测流程示意图；
图4为本申请实施例所提供的一种纺织设备的异常检测装置的示意图；
图5为本申请实施例所提供的一种纺织设备的异常检测设备的示意图。
具体实施方式
本申请的核心是提供一种纺织设备的异常检测方法，对多元状态参数进行分析，并且采用侧重于时间依赖性、跨变量关联性与组合关系的输入划分策略以及聚合策略，可以解决模型出现时间依赖性和跨变量相关性混淆导致的虚假相关性问题，提高异常检测结果的可靠性。本申请的另一个核心是提供一种纺织设备的异常检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种纺织设备的异常检测方法的流程示意图，参考图1所示，该方法主要包括：
S101：获取纺织设备的监测数据；
S102：分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
本申请所提供的异常检测方法基于全连接自编码器集成模型实现。全连接自编码器集成模型由三个全连接自编码器单元构成：RT(时间依赖性模型)、RC(跨变量关联性模型)与RA(组合关系模型)。RT、RC与RA分别用于根据纺织设备的监测数据中的时间依赖性、跨变量关联性与组合关系进行数据划分建模重构。其中，组合关系是指时间依赖性与跨变量关联性两者共存。
多源传感器监测到的纺织设备的监测数据可以表示为X＝[X1,X2,..,Xi,...,Xn]T，Xi＝[xi,1,xi,2,...,xi,j,...,xi,m]。n表示采集的样本数量，m表示状态参数的个数。Xi表示第i行样本数据，xi,j表示第i行、第j个状态参数对应的样本数据。样本数据即监测数据。
在获取监测数据的基础上，分别根据时间依赖性、跨变量关联性以及组合关系进行输入划分。结合图2所示(图2中的状态观测值即为监测数据)RT的输入为
Figure BDA0003601710310000051
其中，L为相对于Xi的滞后时间数，且L＜n。RC的输入为
Figure BDA0003601710310000052
Figure BDA0003601710310000053
由样本数据xi,j与同时刻i的其他m-1个状态参数所对应的样本数据组成。RA的输入为
Figure BDA0003601710310000061
Figure BDA0003601710310000062
结合了RT与RC的输入，
Figure BDA0003601710310000063
每个全连接自编码器单元由一个全连接自编码器(FC-AE)进行建模重构，各全连接自编码器单元通过编码过程得到的隐藏层特征可分别表示为：
Figure BDA0003601710310000064
Figure BDA0003601710310000065
Figure BDA0003601710310000066
上述各式中，f(·)分别为：
Figure BDA0003601710310000067
Figure BDA0003601710310000068
Figure BDA0003601710310000069
其中，W1 T、W1 C、W1 A为编码权值矩阵，
Figure BDA00036017103100000610
为偏置向量，σ(·)为编码非线性sigmoid型激活函数。
各全连接自编码器单元隐藏层解码过程可分别表示为：
YT＝g(HT)；
YC＝g(HC)；
YA＝g(HA)。
上述各式中，g(·)分别为：
Figure BDA00036017103100000611
Figure BDA00036017103100000612
Figure BDA00036017103100000613
其中，
Figure BDA00036017103100000614
为解码权值矩阵；
Figure BDA00036017103100000615
为偏置向量；δ(·)为解码非线性sigmoid型激活函数。
由此，各全连接自编码器单元重构的输出结果可以分别表示为：
Figure BDA00036017103100000616
Figure BDA00036017103100000617
Figure BDA00036017103100000618
并且，
Figure BDA00036017103100000619
具体分别为：
Figure BDA00036017103100000620
Figure BDA00036017103100000621
Figure BDA0003601710310000071
其中，Yi＝[yi,1,yi,2,...,yi,j,...,yi,m]。
对于第i行、第j个状态参数所对应的样本数据xi,j，三个全连接自编码器单元重构得到的重构值可以分别表示为：
Figure BDA0003601710310000072
S103：对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；
S104：根据所述监测数据与所述监测数据的最终重构值，得到所述监测数据的最终重构误差；
对于样本数据xi,j，各全连接自编码器单元的重构误差可表示为：
Figure BDA0003601710310000073
Figure BDA0003601710310000074
Figure BDA0003601710310000075
本实施例采取模型输出聚合策略，通过对各所述重构值进行加权求和，得到所述监测数据的最终重构值。其中，本实施例通过比较各全连接自编码器单元的重构误差的大小，动态识别最重要的数据关系。重构误差越小，重构值的权重系数越大，由此可以使得较强与较弱的数据关系得以综合体现，可以提取到更好的数据表征，减少噪声异常检测行为。
全连接自编码器集成模型的最终输出可以表示为：
Figure BDA0003601710310000076
Figure BDA0003601710310000077
α、β、γ为权重系数，且α+β+γ＝1。
Figure BDA0003601710310000078
表示样本数据xi,j的最终重构值，
Figure BDA0003601710310000079
表示对应的最终的重构误差。
S105：根据所述监测数据的最终重构误差，判断所述纺织设备是否存在异常事件。
得到最终重构误差后，进一步以最终重构误差为判别依据，判断纺织设备是否存在异常事件。
在一些实施例中，根据所述监测数据的最终重构误差，判断所述纺织设备是否存在异常事件的方式为：
计算所述最终重构误差的马氏距离；
比较所述马氏距离与第一阈值；
若所述马氏距离大于所述第一阈值，则所述监测数据为异常数据；
统计连续的所述异常数据的个数；
若连续的所述异常数据的个数大于第二阈值，则所述纺织设备存在异常事件。
具体而言，计算重构误差的马氏距离，将多维数据Er*降维，提取一维状态监测指标马氏距离：D＝[d1,d2,...,di,...,dn]T。其中，di表示第i行样本数据的重构误差的马氏距离，计算公式为：
Figure BDA0003601710310000081
式中，Eri *表示第i行、n个状态参数所对应的重构误差矩阵，u为样本数据的重构误差均值矩阵，Cov-1为样本数据的协方差矩阵的逆矩阵。
以dth表示第一阈值，超过dth的数据被视为异常数据。设连续的异常数据的个数为T，以Tth表示第二阈值，如果T≤Tth，此时，该组连续的异常数据被视为噪声数据或瞬时异常等所导致。如果T＞Tth，此时，该组连续的异常数据被视为异常事件。
当dt＞dth且T＞Tth时，表明纺织设备从第t行样本数据开始，重构误差的马氏距离超过异常阈值，并且持续出现T个异常数据，连续的异常数据的个数超过第二阈值，判定纺织设备存在异常事件。
其中，结合图3所示，确定所述第一阈值的方式可以为：
确定纺织设备的正常状态数据的重构误差；
计算所述正常状态数据的重构误差的马氏距离；
计算所述马氏距离的概率密度函数；
根据所述概率密度函数确定所述第一阈值。
具体而言，纺织设备的正常状态数据可定义为：一般地，在纺织设备运行过程中，各状态参数的数值在参考范围内，生产质量指标达到合格要求以及无较大波动，可被视为正常状态数据。
在正常基准模型训练阶段，采用核密度估计法求解正常状态数据的概率密度分布，进而确定第一阈值。
重构误差的马氏距离的概率密度函数
Figure BDA0003601710310000082
为：
Figure BDA0003601710310000083
式中，di为第i行正常状态数据的重构误差的马氏距离，h为带宽，正常状态数据量为n，K(·)为核密度函数，一般可选取高斯核函数，其公式为：
Figure BDA0003601710310000091
求得正常状态数据的重构误差的马氏距离的概率密度函数
Figure BDA0003601710310000092
后，正常运行状态下，此状态监测指标分布满足正态分布或近似正态分布，根据3σ则确定第一阈值，计算公式为：
Figure BDA0003601710310000093
上式中，α为置信度，可以根据设定的置信度查临界值表，进而求得第一阈值。
进一步，在上述实施例的基础上，还包括：
当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
具体而言，本实施例旨在对多个状态参数对设备异常的影响程度进行量化，确定导致所述异常事件发生的最相关状态参数或部件。为此，在判断出纺织设备存储异常事件后，针对各状态参数，分别计算其对当前的异常事件的贡献度。对计算得到的贡献度进行排序，进而根据贡献度的排序确定导致异常事件发生的最相关状态参数或部件。通常，排序最靠前的贡献度对应的状态参数被确定为导致异常事件发生的最相关状态参数。
其中，计算各状态参数的贡献度的方式可以为：
依据公式
Figure BDA0003601710310000094
计算各状态参数对所述异常事件的贡献度；
Ck为第k个状态参数对所述异常事件的贡献度，T为连续的异常数据的个数，di为第i行样本数据的重构误差的马氏距离，di,j≠k为去除状态参数k所对应的样本数据后，求得的第i行样本数据的重构误差的马氏距离。
具体而言，状态参数的贡献度计算从异常数据开始，Ck(k＝1,2,...m)为第k个状态参数的贡献度，di(i＝1,2,...,n-T)为第i行样本数据的重构误差的马氏距离，重构误差矩阵Er*中去除当前计算贡献度的状态参数k所对应的样本数据后，再求得第i行样本数据的重构误差的马氏距离(即di,j≠k)。最后依据上式计算得到状态参数的贡献度。
进一步，在上述实施例的基础上，还包括：将导致所述异常事件发生的最相关状态参数或部件存入知识库，为后续定位导致异常事件发生的最相关状态参数或部件提供参考。
综上所述，本申请所提供的纺织设备的异常检测方法，采用输入划分策略，在进行数据重构时，分别侧重于时间依赖性、跨变量关联性和组合关系这三种不同的数据关系，使得较强和较弱的数据关系得以综合体现，可以提取到更好的数据表征。另外，本申请采用集成聚合策略，根据重构误差大小动态识别各数据点最重要的数据关系，降低重构值与原始值的差异。利用输入划分策略和集成聚合策略进行异常检测，可以解决模型出现时间依赖性和跨变量相关性混淆导致的虚假相关性问题，提高异常检测结果的可靠性。
本申请还提供了一种纺织设备的异常检测装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图4，图4为本申请实施例所提供的一种纺织设备的异常检测装置的示意图，结合图4所示，该装置包括：
数据获取模块10，用于获取纺织设备的监测数据；
数据重构模块20，用于分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
重构值融合模块30，用于对各所述重构值进行加权求和，得到所述监测数据的最终重构值；其中，所述重构值的权重系数与所述重构值的重构误差呈负相关；
重构误差计算模块40，用于根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；
判断模块50，用于根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
在上述实施例的基础上，作为一种具体的实施方式，判断模块50包括：
计算单元，用于计算所述最终重构误差的马氏距离；
比较单元，用于比较所述马氏距离与第一阈值；
第一确定单元，用于若所述马氏距离大于所述第一阈值，则所述监测数据为异常数据；
统计单元，用于统计连续的所述异常数据的个数；
第二确定单元，用于若连续的所述异常数据的个数大于第二阈值，则所述纺织设备存在异常事件。
在上述实施例的基础上，作为一种具体的实施方式，确定所述第一阈值的方式包括：
计算所述纺织设备的正常状态数据的重构误差；
计算所述正常状态数据的重构误差的马氏距离；
计算所述正常状态数据的重构误差的马氏距离的概率密度函数；
根据所述概率密度函数确定所述第一阈值。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
贡献度计算模块，用于当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
确定模块，用于根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
在上述实施例的基础上，作为一种具体的实施方式，贡献度计算模块具体用于：
依据公式
Figure BDA0003601710310000111
计算各状态参数对所述异常事件的贡献度；
Ck为第k个状态参数对所述异常事件的贡献度，T为连续的异常数据的个数，di为第i行样本数据的重构误差的马氏距离，di,j≠k为去除状态参数k所对应的样本数据后，求得的第i行样本数据的重构误差的马氏距离。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
存储模块，用于将导致所述异常事件发生的最相关状态参数或部件存入知识库。
本申请所提供的纺织设备的异常检测装置，采用输入划分策略，在进行数据重构时，分别侧重于时间依赖性、跨变量关联性和组合关系这三种不同的数据关系，使得较强和较弱的数据关系得以综合体现，可以提取到更好的数据表征。另外，本申请采用集成聚合策略，根据重构误差大小动态识别各数据点最重要的数据关系，降低重构值与原始值的差异。利用输入划分策略和集成聚合策略进行异常检测，可以解决模型出现时间依赖性和跨变量相关性混淆导致的虚假相关性问题，提高异常检测结果的可靠性。
本申请还提供了一种纺织设备的异常检测设备，参考图5所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
获取纺织设备的监测数据；分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
获取纺织设备的监测数据；分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的纺织设备的异常检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种纺织设备的异常检测方法，其特征在于，包括：
获取纺织设备的监测数据；
分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
对各所述重构值进行加权求和，得到所述监测数据的最终重构值；所述重构值的权重系数与所述重构值的重构误差呈负相关；
根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；
根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
2.根据权利要求1所述的异常检测方法，其特征在于，所述根据所述最终重构误差，判断所述纺织设备是否存在异常事件包括：
计算所述最终重构误差的马氏距离；
比较所述马氏距离与第一阈值；
若所述马氏距离大于所述第一阈值，则所述监测数据为异常数据；
统计连续的所述异常数据的个数；
若连续的所述异常数据的个数大于第二阈值，则所述纺织设备存在异常事件。
3.根据权利要求2所述的异常检测方法，其特征在于，确定所述第一阈值的方式包括：
计算所述纺织设备的正常状态数据的重构误差；
计算所述正常状态数据的重构误差的马氏距离；
计算所述正常状态数据的重构误差的马氏距离的概率密度函数；
根据所述概率密度函数确定所述第一阈值。
4.根据权利要求1至3任一项所述的异常检测方法，其特征在于，还包括：
当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
5.根据权利要求4所述的异常检测方法，其特征在于，所述计算各状态参数对所述异常事件的贡献度包括：
依据公式
Figure FDA0003601710300000021
计算各状态参数对所述异常事件的贡献度；
Ck为第k个状态参数对所述异常事件的贡献度，T为连续的异常数据的个数，di为第i行样本数据的重构误差的马氏距离，di,j≠k为去除状态参数k所对应的样本数据后，求得的第i行样本数据的重构误差的马氏距离。
6.根据权利要求1所述的异常检测方法，其特征在于，还包括：
将导致所述异常事件发生的最相关状态参数或部件存入知识库。
7.一种纺织设备的异常检测装置，其特征在于，包括：
数据获取模块，用于获取纺织设备的监测数据；
数据重构模块，用于分别根据时间依赖性、跨变量关联性以及组合关系，重构所述监测数据，得到相应的重构值；
重构值融合模块，用于对各所述重构值进行加权求和，得到所述监测数据的最终重构值；其中，所述重构值的权重系数与所述重构值的重构误差呈负相关；
重构误差计算模块，用于根据所述监测数据与所述最终重构值，得到所述监测数据的最终重构误差；
判断模块，用于根据所述最终重构误差，判断所述纺织设备是否存在异常事件。
8.根据权利要求7所述的异常检测装置，其特征在于，还包括：
贡献度计算模块，用于当判断出所述纺织设备存在异常事件后，计算各状态参数对所述异常事件的贡献度；
确定模块，用于根据各所述状态参数的贡献度，确定导致所述异常事件发生的最相关状态参数或部件。
9.一种纺织设备的异常检测设备，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时实现如权利要求1至6任一项所述的纺织设备的异常检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至6任一项所述的纺织设备的异常检测方法的步骤。
CN202210404445.0A 2022-04-18 2022-04-18 一种纺织设备的异常检测方法及相关装置 Active CN114676593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210404445.0A CN114676593B (zh) 2022-04-18 2022-04-18 一种纺织设备的异常检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210404445.0A CN114676593B (zh) 2022-04-18 2022-04-18 一种纺织设备的异常检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN114676593A true CN114676593A (zh) 2022-06-28
CN114676593B CN114676593B (zh) 2023-05-23

Family

ID=82077225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210404445.0A Active CN114676593B (zh) 2022-04-18 2022-04-18 一种纺织设备的异常检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN114676593B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664000A (zh) * 2023-06-13 2023-08-29 无锡物联网创新中心有限公司 基于长短期记忆网络的工业设备异常检测方法及相关装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678343A (zh) * 2015-08-25 2016-06-15 浙江工业大学 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN111504385A (zh) * 2020-05-13 2020-08-07 兰州工业学院 一种适用于机械设备异常状态多参数监测装置及方法
CN112766342A (zh) * 2021-01-12 2021-05-07 安徽容知日新科技股份有限公司 一种电气设备的异常检测方法
CN113008583A (zh) * 2020-11-10 2021-06-22 大连理工大学 一种旋转机械状态监测和异常自动报警的方法及装置
CN113671917A (zh) * 2021-08-19 2021-11-19 中国科学院自动化研究所 针对多模态工业过程异常状态的检测方法、系统、设备
CN113687639A (zh) * 2021-10-25 2021-11-23 南通好心情家用纺织品有限公司 一种纺织机械设备的故障智能预警方法及系统
CN114170138A (zh) * 2021-11-05 2022-03-11 华中科技大学 无监督工业图像异常检测模型建立方法、检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678343A (zh) * 2015-08-25 2016-06-15 浙江工业大学 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN111504385A (zh) * 2020-05-13 2020-08-07 兰州工业学院 一种适用于机械设备异常状态多参数监测装置及方法
CN113008583A (zh) * 2020-11-10 2021-06-22 大连理工大学 一种旋转机械状态监测和异常自动报警的方法及装置
CN112766342A (zh) * 2021-01-12 2021-05-07 安徽容知日新科技股份有限公司 一种电气设备的异常检测方法
CN113671917A (zh) * 2021-08-19 2021-11-19 中国科学院自动化研究所 针对多模态工业过程异常状态的检测方法、系统、设备
CN113687639A (zh) * 2021-10-25 2021-11-23 南通好心情家用纺织品有限公司 一种纺织机械设备的故障智能预警方法及系统
CN114170138A (zh) * 2021-11-05 2022-03-11 华中科技大学 无监督工业图像异常检测模型建立方法、检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664000A (zh) * 2023-06-13 2023-08-29 无锡物联网创新中心有限公司 基于长短期记忆网络的工业设备异常检测方法及相关装置

Also Published As

Publication number Publication date
CN114676593B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN113518011B (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
CN112039903B (zh) 基于深度自编码神经网络模型的网络安全态势评估方法
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及系统
CN113344295A (zh) 基于工业大数据的设备剩余寿命预测方法、系统及介质
CN115412455A (zh) 一种基于时间序列的服务器多性能指标异常检测方法及装置
CN112527604A (zh) 一种基于深度学习的运维检测方法、系统、电子设备及介质
CN112101554A (zh) 异常检测方法及装置、设备、计算机可读存储介质
CN114647234B (zh) 一种基于物联网的医疗设备监控方法、装置及存储介质
CN112414694A (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN111176872B (zh) 面向it运维的监控数据处理方法、系统、装置及存储介质
CN115456107A (zh) 一种时间序列异常检测系统及方法
Sun et al. Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training
CN114676593A (zh) 一种纺织设备的异常检测方法及相关装置
CN117115715A (zh) 一种基于流重构和帧预测结合的视频异常检测方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN114187292B (zh) 棉纺纸筒的异常检测方法、装置、设备及存储介质
CN115759263A (zh) 一种基于因果推断的策略效果评估方法及装置
CN115729761A (zh) 一种硬盘故障预测方法、系统、设备及介质
CN113238908B (zh) 一种服务器性能测试数据分析方法及相关装置
CN115116614A (zh) 一种健康状态评估方法、装置、设备及存储介质
CN114844796A (zh) 一种对时序kpi的异常检测的方法、装置及介质
CN114328127A (zh) 软件性能异常情况的检测方法及检测装置
CN113627539A (zh) 滚动轴承复合故障诊断方法、系统、存储介质及计算设备
CN117473275B (zh) 一种数据中心的能耗检测方法

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