CN117113139A - 故障检测模型的训练方法、装置、计算机设备和存储介质 - Google Patents
故障检测模型的训练方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117113139A CN117113139A CN202311015196.7A CN202311015196A CN117113139A CN 117113139 A CN117113139 A CN 117113139A CN 202311015196 A CN202311015196 A CN 202311015196A CN 117113139 A CN117113139 A CN 117113139A
- Authority
- CN
- China
- Prior art keywords
- target
- time sequence
- related feature
- feature map
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 224
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000012549 training Methods 0.000 title claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 147
- 238000010586 diagram Methods 0.000 claims abstract description 117
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims description 59
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000007787 long-term memory Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 11
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 22
- 238000003745 diagnosis Methods 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000005057 refrigeration Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004378 air conditioning Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种故障检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:基于包含正常类别的第一样本数据对应的多个时间点的多个运行状态指标数据,进行时序相关特征处理,得到目标时序相关特征图;并对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图;基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练。通过采用本方法,通过自编码器的方式进行模型训练以及故障检测,可以基于原始特征与重构特征之间的相似度实现故障的检测,可以在数据分布不理想的情况下实现模型训练精度的提升,减少模型训练的工作量。
Description
技术领域
本申请涉及神经网络技术领域,特别是涉及一种故障检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
空调等制冷设备是保障数据中心服务器在正常温度范围内合理高效运行的重要基础设施。然而,空调系统在运行过程中,由于操作不当或设备老化不可避免地会出现各种故障,造成数据中心制冷失效等问题。
相关技术中的故障诊断模型的训练都是在数据分布理想状态下进行的,由于故障是偶发事件,故障数据与正常数据比例较为失衡,由于训练数据的不平衡,会导致训练得到的模型的预测准确度较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升故障检测准确度的故障检测模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种故障检测模型的训练方法。所述方法包括:
获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
基于预设时间窗口、所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
在其中一个实施例中,所述时序数据还包括故障类别的第二样本数据;
所述基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型,包括:
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的初始故障检测模型;
基于预设的分析算法,对所述故障类别的第二样本数据进行降维处理,得到目标故障样本数据,以及基于预设的时域特征算法,确定所述目标故障样本数据对应的目标时域特征集;
基于所述目标时域特征集以及所述初始故障检测模型,确定目标故障检测模型。
在其中一个实施例中,所述基于预设时间窗口以及所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图,包括:
基于预设时间窗口,在所述多个时间点的多个运行状态指标数据对应的时序特征中进行提取,得到多个目标时序特征,以及计算各目标时序特征之间的相关度特征;
基于各所述目标时序特征之间的相关度特征,确定目标时序相关特征图。
在其中一个实施例中,所述对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图,包括:
对所述时序相关特征图进行卷积处理,得到卷积处理后的时序相关特征图,所述卷积处理后的时序相关特征图包括多个维度的目标时序相关特征图;
基于长短期记忆网络,对所述多个维度的目标时序相关特征图分别进行处理,得到多个时间模式信息;
基于所述多个维度的目标时序相关特征图以及所述多个时间模式信息进行特征重构处理,得到目标重构时序相关特征图。
在其中一个实施例中,所述多个维度的时序相关特征至少包括第一维度的目标时序相关特征图、第二维度的目标时序相关特征图以及第三维度的目标时序相关特征图;所述对所述时序相关特征图进行卷积处理,得到卷积处理后的时序相关特征图,包括:
通过第一卷积层对所述时序相关特征图进行卷积处理,得到第一维度的目标时序相关特征图;
通过第二卷积层对所述第一维度的目标时序相关特征图进行卷积处理,得到第二维度的目标时序相关特征图;
通过第三卷积层对所述第二维度的目标时序相关特征图进行卷积处理,得到第三维度的目标时序相关特征图。
在其中一个实施例中,所述基于长短期记忆网络,对所述多个维度的目标时序相关特征图分别进行处理,得到多个时间模式信息,包括:
基于第一长短期记忆子网络对所述第一维度的目标时序相关特征图进行时序分析,得到第一时间模式信息;
基于第二长短期记忆子网络对所述第二维度的目标时序相关特征图进行时序分析,得到第二时间模式信息;
基于第三长短期记忆子网络对所述第三维度的目标时序相关特征图进行时序分析,得到第三时间模式信息。
在其中一个实施例中,所述基于所述多个维度的目标时序相关特征图以及所述多个时间模式信息进行特征重构处理,得到重构时序相关特征图,包括:
通过第一反卷积层,对所述第一时间模式信息和所述第一维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第一维度的目标时序相关特征图对应的第一重构时序相关特征图;
通过第二反卷积层,对所述第一重构时序相关特征图、所述第二时间模式信息和所述第二维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第二维度的目标时序相关特征图对应的第二重构时序相关特征图;
通过第三反卷积层,对所述第二重构时序相关特征图、所述第三时间模式信息和所述第三维度的目标时序相关特征图的叠加结果进行特征重构处理,得到目标重构时序相关特征图。
在其中一个实施例中,所述方法还包括:
获取目标设备的待检测时序数据,以及确定所述待检测时序数据对应的待检测时序特征;
基于所述待检测时序特征确定待检测时序相关特征图,并将所述待检测时序相关特征图输入至所述目标故障检测模型,得到待检测的重构时序相关特征图;
基于所述待检测时序相关特征图与所述待检测的重构时序相关特征图,确定所述目标设备的待检测时序数据对应的故障检测结果。
在其中一个实施例中,所述基于所述待检测时序相关特征图与所述待检测的重构时序相关特征图,确定所述目标设备的待检测时序数据对应的故障检测结果,包括:
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不一致的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果;
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图一致的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是非故障结果。
在其中一个实施例中,所述在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不一致的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果,包括:
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不一致的情况下,对所述目标设备的待检测时序数据进行降维处理,得到目标待检测时序数据;
基于预设的时域特征算法,确定所述目标待检测时序数据对应的待检测时域特征;
如果所述待检测时域特征与所述目标时域特征集满足第二相似条件,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果。
在其中一个实施例中,所述如果所述待检测时域特征与所述目标时域特征集满足第二相似条件,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果,包括:
计算所述待检测时域特征与所述目标时域特征集包含的各个目标时域特征之间的相似度;
如果存在相似度大于预设相似度阈值的目标时域特征,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果。
在其中一个实施例中,所述方法还包括:
在大于预设相似度阈值的各相似度中进行筛选,确定最大的相似度,并确定所述最大的相似度对应的目标时域特征;
基于预设的时域特征与故障类型之间的对应关系,确定所述目标时域特征对应的目标故障类型,并确定所述目标设备的待检测时序数据对应的故障类型为目标故障类型。
第二方面,本申请还提供了一种故障检测模型的训练装置。所述装置包括:
第一获取模块,用于获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
第一确定模块,用于基于预设时间窗口、所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
编解码模块,用于对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
训练模块,用于基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
第三方面,本申请还提供了一种计算机设备。所述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:
获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
基于预设时间窗口、所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
第四方面,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,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:
获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
基于预设时间窗口、所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
基于预设时间窗口、所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
上述故障检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品,该方法包括,基于包含正常类别的第一样本数据对应的多个时间点的多个运行状态指标数据,进行时序相关特征处理,得到目标时序相关特征图;并对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图;基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练。通过采用本方法,可以基于正常类别的数据进行编码处理以及特征的重构处理,以得到训练好的故障检测模型,通过自编码器的方式进行模型训练以及故障检测,可以基于原始特征与重构特征之间的相似度实现故障的检测,可以在数据分布不理想的情况下实现模型训练精度的提升,减少模型训练的工作量。
附图说明
图1为一个实施例中故障检测模型的训练方法的流程示意图;
图2为一个实施例中确定训练步骤的流程示意图;
图3为一个实施例中确定目标时序相关特征图步骤的流程示意图;
图4为一个实施例中计算目标重构时序相关特征图步骤的流程示意图;
图5为一个实施例中卷积步骤的流程示意图;
图6为一个实施例中长短期记忆处理步骤的流程示意图;
图7为一个实施例中反卷积步骤的流程示意图;
图8为一个实施例中故障检测步骤的流程示意图;
图9为一个实施例中故障检测步骤的流程示意图;
图10为一个实施例中故障检测步骤的流程示意图;
图11为一个实施例中故障检测处理步骤的流程示意图;
图12为一个实施例中故障检测步骤的流程示意图;
图13为一个实施例中故障检测模型的结构示意图;
图14为一个实施例中故障检测模型的结构示意图;
图15为一个实施例中故障检测模型的训练装置的结构框图;
图16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,如图1所示,提供了一种故障检测模型的训练方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现,上述终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该故障检测模型的训练方法包括以下步骤:
步骤102,获取目标设备的时序数据,以及确定时序数据对应的时序特征。
其中,时序数据至少包括正常类别的第一样本数据,第一样本数据包括多个时间点的多个运行状态指标数据;目标设备可以是保证数据中心内的服务器设备在正常温度范围内运行的基础设施,可以是制冷设备,例如可以是空调设备等;目标设备的时序数据至少包括的是在正常运行状态下的空调设备的运行状态指标数据,多个时间点可以是运行状态指标数据的采集时间段内对应的多个数据采集时间点,采集时间段可以是空调设备在正常运行状态下的时间段,多个运行状态指标数据可以分别包括机柜测点温度、水阀开度、空调回风温度、空调风机转速、空调设定风机转速、空调最小设定风机转速等等。时序特征是对时序数据进行特征提取后得到的特征向量数据,例如可以是对时序数据进行特征归一化处理后得到的特征向量数据。
具体地,终端可以采集多个目标设备在正常运行时间段内的时序数据,并对该多个目标设备分别对应的时序数据进行特征提取处理,得到各时序数据分别对应的时序特征。在一个示例中,终端可以对采集到的多个目标设备在正常运行时间段内的时序数据进行特征提取处理以及归一化处理,得到各时序数据分别对应的进行归一化处理后的时序特征。
步骤104,基于预设时间窗口、多个时间点的多个运行状态指标数据对应的时序特征进行时序相关特征处理,得到目标时序相关特征图。
其中,预设时间窗口可以是不同步长对应的滑动时间窗格,目标时序相关特征图是多维度的特征相关图时间序列,用于表征不同时间步长状态信息,例如目标时序相关特征图可以是表征时序特征包含的各个运行状态指标数据对应的运行状态指标特征之间的特征相关图。
具体地,终端可以在多个时间点的多个运行状态指标数据对应的时序特征中,基于预设时间窗口,提取该预设时间窗口的步长分别对应的多个目标时序特征,并两两计算各目标时序特征包含的各个运行状态指标数据对应的运行状态指标特征之间的特征相关度;基于此,终端可以基于计算出的两两目标时序特征包含的各个运行状态指标数据对应的运行状态指标特征之间的特征相关度,得到目标时序相关特征图。
步骤106,对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图。
其中,编解码处理可以包括通过卷积层进行的编码处理,以及通过反卷积层进行的特征解码处理,也可以是通过反卷积层进行的特征重构处理;目标重构时序相关特征图可以是至少对目标时序相关特征图进行特征编码处理以及特征解码处理后,得到的目标重构时序相关特征图。
具体地,终端可以在确定出的目标时序相关特征图后,通过多个卷积层、多个图像长短期记忆网络以及多个反卷积层对目标时序相关特征图进行编解码处理,得到该目标时序相关特征图对应的目标重构时序相关特征图。
步骤108,基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
其中,待训练的故障检测模型可以是神经网络模型,例如可以是无监督的神经网络模型,可以基于正常类别的样本数据对待训练的故障检测模型进行训练,得到满足预设训练完成条件的故障检测模型。
具体地,目标时序相关特征图可以是终端基于第一样本数据包含的时序数据计算得到的特征图数据,终端还可以对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图。基于此,终端可以基于目标时序相关特征图与目标重构时序相关特征图,计算待训练的故障检测模型对应的损失函数,并基于该损失函数更新该待训练的故障检测模型对应的模型参数。也就是说,终端可以计算目标时序相关特征图与目标重构时序相关特征图之间的特征图差值,并基于该特征图差值得到损失函数,基于损失函数更新未满足训练完成条件的故障检测模型的模型参数,得到更新后的模型,并基于更新后的模型,重新执行获取目标设备的时序数据,以及确定时序数据对应的时序特征的步骤,直至满足预设训练完成条件,得到训练好的目标故障检测模型。
在一个示例中,在终端确定当前的训练迭代次数已经满足预设训练迭代次数阈值的情况下,终端可以确定当前已经满足预设训练完成条件;在另一个示例中,在终端确定当前计算出的损失函数对应的损失值已经满足预设收敛条件的情况下,终端可以确定当前满足预设训练完成条件,预设收敛条件可以是损失函数对应的损失值已经不变,或者是损失值已经达到最小损失值阈值等等。
上述故障检测模型的训练方法中,基于包含正常类别的第一样本数据对应的多个时间点的多个运行状态指标数据,进行时序相关特征处理,得到目标时序相关特征图;并对目标时序相关特征图进行编解码处理,得到目标重构时序相关特征图;基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练。通过采用本方法,可以基于正常类别的数据进行编码处理以及特征的重构处理,以得到训练好的故障检测模型,通过自编码器的方式进行模型训练以及故障检测,可以基于原始特征与重构特征之间的相似度实现故障的检测,可以在数据分布不理想的情况下实现模型训练精度的提升,减少模型训练的工作量。
在一个实施例中,时序数据还包括故障类别的第二样本数据;具体地,时序数据还可以包括故障类别的第二样本数据,第二样本数据包括多个时间点的多个运行状态指标数据;目标设备的时序数据包括的故障类别的第二样本数据可以是终端在目标设备处于故障运行状态下采集到的运行状态指标数据,多个时间点可以是目标设备处于故障运行状态下对应的采集时间段,多个运行状态指标数据分别包括机柜测点温度、水阀开度、空调回风温度、空调风机转速、空调设定风机转速、空调最小设定风机转速等等。
相应地,如图2所示,步骤108“基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型”的具体处理过程,包括:
步骤202,基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的初始故障检测模型。
具体地,终端可以基于目标时序相关特征图与目标重构时序相关特征图,计算待训练的故障检测模型对应的损失函数,并基于该损失函数更新该待训练的故障检测模型对应的模型参数,得到更新后的模型。基于此,终端可以基于更新后的模型,重新执行获取目标设备的时序数据以及确定时序数据对应的时序特征的步骤,直至终端确定当前情况下故障检测模型已经满足预设训练完成条件,这样,终端可以得到训练好的初始故障检测模型。
步骤204,基于预设的分析算法,对故障类别的第二样本数据进行降维处理,得到目标故障样本数据,以及基于预设的时域特征算法,确定目标故障样本数据对应的目标时域特征集。
其中,目标故障检测模型可以包括故障检测模块以及故障辨识模块,其中,故障检测模块可以是初始故障检测模型;故障辨识模块可以是包含目标时域特征集的辨识模块;预设的分析算法可以是kernelPCA主成分分析算法,用于对故障类别的第二样本数据进行降维处理;预设的时域特征算法用于提取数据之后的时域特征,时域特征可以包括样本方差、均方值裕度、峭度、脉冲因子等等,时域特征还可包括偏度、峰度、裕度因子、形状因子等。
具体地,终端可通过预设的分析算法对第二样本数据进行降维处理,得到目标故障样本数据。也就是说,终端可通过预设的分析算法,将目标设备处于故障运行状态下对应的采集时间段对应的故障数据进行降维处理,得到目标故障样本数据,该目标故障样本数据可是一维数据。基于此,终端还可基于预设的滑动时间窗口以及预设的时域特征算法,对目标故障样本数据进行时域特征的提取处理,得到该目标故障样本数据对应的时域特征,组成目标时域特征集。
在一个示例中,终端可基于该目标时域特征集确定故障辨识模块,该故障辨识模块包含的目标时域特征集中包含的目标设备处于故障运行状态下的运行状态指标数据对应的时域特征。
步骤206,基于目标时域特征集以及初始故障检测模型,确定目标故障检测模型。
具体地,终端可基于初始故障检测模型,以及包含目标时域特征集的故障辨识模块,得到目标故障检测模型,该目标故障检测模型可实现对目标设备的实时故障检测。
本实施例中,通过对故障类别的样本数据进行时域特征的分析处理,可实现数据中心中的目标设备的实时监测以及故障预监测,还可实现对目标设备是否出现故障的多次判别,提高故障检测的准确度。
在一个实施例中,如图3所示,步骤104“基于预设时间窗口、多个时间点的多个运行状态指标数据对应的时序特征进行时序相关特征处理,得到目标时序相关特征图”的具体处理过程,包括:
步骤302,基于预设时间窗口,在多个时间点的多个运行状态指标数据对应的时序特征中进行提取,得到多个目标时序特征,以及计算各目标时序特征之间的相关度特征;
其中,各目标时序特征之间的相关度特征可是各个目标时间序列包含的多个运行状态指标数据分别对应的运行状态指标特征之间的相关度特征。
具体地,终端可基于预设时间窗口,在时序数据对应的时序特征中进行提取,得到该预设时间窗口内多个时序特征,作为目标时序特征。各目标时序特征中包含多个运行状态指标数据分别对应的运行状态指标特征,终端可分别计算各运行状态指标特征之间的相关度特征。
在一个示例中,终端可以两两计算各目标时序特征之间的相关度特征,两两计算各目标时序特征可以是第一目标时序特征以及第二目标时序特征,具体计算过程可以包括:第一目标时序特征可以包括多个第一运行状态指标特征,第二目标时序特征可以包括多个第二运行状态指标特征,终端可以计算各第一运行状态指标特征之间的第一相关度,以及计算各第二运行状态指标特征之间的第二相关度,还可以计算第一运行状态指标特征与第二运行状态指标特征之间的第三相关度,以及计算第二运行状态指标特征与第一运行状态指标特征之间的第四相关度;终端可以基于各第一相关度、各第二相关度、各第三相关度以及各第四相关度,得到第一目标时序特征与第二目标时序特征之间的相关度特征。
步骤304,基于各目标时序特征之间的相关度特征,确定目标时序相关特征图。
具体地,终端在得到多个目标时序特征后,可以两两计算目标时序特征之间的相关度特征。终端可以是基于各目标时序特征之间的相关度特征,组合得到目标时序相关特征图。其中,目标时序相关特征图可以是相关特征图矩阵。
本实施例中,通过对时序数据进行特征提取处理以及进行相关图特征之间的计算,可以在面对多变量时序特征属性时,构造多维度的特征相关图时间序列,精准提取时序数据中表征的不同时间步长下的状态信息,为后续进行处理提供稳定的数据基础。
在一个实施例中,如图4所示,步骤106“对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图”的具体处理过程,包括:
步骤402,对目标时序相关特征图进行卷积处理,得到卷积处理后的目标时序相关特征图。
其中,卷积处理后的目标时序相关特征图包括多个不同维度的目标时序相关特征图。故障检测模型(初始故障模型,也可以是故障检测模块)可以包括卷积模块,该卷积模块用于对目标时序相关特征图进行编码处理。
具体地,终端可以通过卷积模块,对目标时序相关特征图进行编码处理,得到进行卷积处理后的目标时序相关特征图。卷积模块可以包含多个不同尺度的卷积层,例如,卷积模块可以包括第一尺度的第一卷积层、第二尺度的第二卷积层以及第三尺度的第三卷积层。
在一个示例中,第一尺度可以小于第二尺度,第二尺度可以小于第三尺度,具体地,终端可以通过第一尺度的第一卷积层对目标时序相关特征图进行编码处理,得到第一尺度对应的第一维度的目标时序相关特征图;终端可以将得到的第一尺度对应的第一维度的目标时序相关特征图输入至第二尺度对应的第二卷积层,通过第二尺度对应的第二卷积层对第一尺度对应的第一维度的目标时序相关特征图进行编码处理,得到第二尺度对应的第二维度的目标时序相关特征图;同样地,终端可以将第二尺度对应的第二维度的目标时序相关特征图输入至第三卷积层进行编码处理,得到第三尺度对应的第三维度的目标时序相关特征图,并将第一维度的目标时序相关特征图、第二维度的目标时序相关特征图以及第三维度的目标时序相关特征图作为卷积处理后的目标时序相关特征图。
步骤404,基于长短期记忆网络,对多个不同维度的目标时序相关特征图分别进行处理,得到多个时间模式信息。
其中,长短期记忆网络可以是图像长短期记忆网络,用于对目标时序相关特征图进行时序分析。故障检测模型(初始故障模型,也可以是故障检测模块)还可以包括长短期记忆网络,该长短期记忆网络可以包括多个长短期记忆网络,例如在一个示例中,可以包括第一长短期记忆子网络、第二长短期记忆子网络以及第三长短期记忆子网络。长短期记忆网络(Conv LSTM网络)包含的长短期记忆子网络的数目可以是与卷积模块包含的卷积层的数目一致的。
具体地,终端可以基于长短期记忆网络包含的多个长短期记忆子网络,分别对多个不同维度的目标时序相关特征图分别进行处理,分别提取各目标时序相关特征图中的时间模式信息,作为对应的长短期记忆子网络的输出结果。
在一个示例中,终端可以通过第一长短期记忆子网络对第一维度的目标时序相关特图进行处理的,得到第一维度的目标时序相关特征图对应的第一时间模式信息。同样地,终端可以得到第二维度的目标时序相关特征图对应的第二时间模式信息、以及第三维度的目标时序相关特征图对应的第三时间模式信息。
步骤406,基于多个不同维度的目标时序相关特征图以及多个时间模式信息进行特征重构处理,得到目标重构时序相关特征图。
其中,目标重构时序相关特征图是终端对目标时序相关特征图进行编码处理以及解码处理后得到的时序相关特征图。故障检测模型(初始故障模型,也可以是故障检测模块)还可以包括反卷积模块,该反卷积模块可以包含多个不同尺度的反卷积层,反卷积模块包含的反卷积层的数目可以是与卷积模块包含的卷积层的数目一致的。
具体地,终端可以基于各个不同维度的目标时序相关特征图,以及与该维度的目标时序相关特征图对应的时间模式信息进行叠加处理,得到各个维度分别对应的叠加结果,并基于多个叠加结果以及该反卷积模块包含的多个反卷积层进行解码处理,得到目标重构时序相关特征图;也就是说,终端可以基于多个叠加结果以及该反卷积模块包含的多个反卷积层进行特征重构处理,得到目标重构时序相关特征图。
本实施例中,通过卷积层、反卷积层以及图像长短期记忆网络的自编码器,可以实现模型的无监督学习,避免样本数据的大量打标签工作量,通过卷积层对目标时序相关特征图进行编码处理,可以去除目标时序相关特征图中的噪声信息以及实现数据压缩,保证数据的准确性的同时避免数据的冗余性。
在一个实施例中,多个维度的时序相关特征至少包括第一维度的目标时序相关特征图、第二维度的目标时序相关特征图以及第三维度的目标时序相关特征图。具体地,各维度的目标时序相关特征图是由该卷积模块输出的。卷积模块可以包括第一尺度的第一卷积层、第二尺度的第二卷积层以及第三尺度的第三卷积层。第一尺度可以小于第二尺度,第二尺度可以小于第三尺度,第一尺度的卷积层对应的维度可以是32维,第二尺度的卷积层对应的维度可以是64维,以及第三尺度的卷积层对应的维度可以是128维。
在一个示例中,第一卷积层的步长可以是1*1,第二卷积层的步长可以是2*2,第三卷积层的步长可以是2*2。
相应地,如图5所示,步骤402“对时序相关特征图进行卷积处理,得到卷积处理后的时序相关特征图”的具体处理过程,包括:
步骤502,通过第一卷积层对目标时序相关特征图进行卷积处理,得到第一维度的目标时序相关特征图。
具体地,终端可以通过第一卷积层对目标时序相关特征图进行编码处理,也就是说,终端可以将目标时序相关特征图输入至第一卷积层,以使第一卷积层在第一卷积层内对目标时序相关特征图进行编码处理,得到第一尺度对应的第一维度的目标时序相关特征图。在一个示例中,终端得到的第一卷积层输出的第一维度的目标时序相关特征图可以是32维的目标时序相关特征图。
步骤504,通过第二卷积层对第一维度的目标时序相关特征图进行卷积处理,得到第二维度的目标时序相关特征图。
具体地,终端可以通过第二卷积层对第一维度的目标时序相关特征图进行编码处理,也就是说,终端可以将第一维度的目标时序相关特征图输入至第二卷积层,以使第二卷积层在第二卷积层内对第一维度的目标时序相关特征图进行编码处理,得到第二尺度对应的第二维度的目标时序相关特征图。在一个示例中,终端得到的第二卷积层输出的第二维度的目标时序相关特征图可以是64维的目标时序相关特征图。
步骤506,通过第三卷积层对第二维度的目标时序相关特征图进行卷积处理,得到第三维度的目标时序相关特征图。
具体地,终端可以通过第三卷积层对第二维度的目标时序相关特征图进行编码处理,也就是说,终端可以将第二维度的目标时序相关特征图输入至第三卷积层,以使第三卷积层在第三卷积层内对第二维度的目标时序相关特征图进行编码处理,得到第三尺度对应的第三维度的目标时序相关特征图。在一个示例中,终端得到的第三卷积层输出的第三维度的目标时序相关特征图可以是128维的目标时序相关特征图。
本实施例中,通过多个不同尺度的卷积层对目标时序相关特征图进行编码处理,可以去除目标时序相关特征图中的噪声信息,还可以实现对时序相关特征图的压缩处理,同时深度学习自编码器中的卷积-长短期记忆网络自编码器模型,可以将数据转变成时序图,使得模型可以同时监测目标设备的多个时序变量,以及目标设备与临近目标设备的时序变量,可以使目标设备的状态监测信息更加全面完整,提供准确的数据基础,也可以进一步基于该数据进行训练得到的故障检测模型判断目标设备是否发生故障的检测准确性。
在一个实施例中,如图6所示,步骤404“基于长短期记忆网络,对多个维度的目标时序相关特征图分别进行处理,得到多个时间模式信息”的具体处理过程,包括:
步骤602,基于第一长短期记忆子网络对第一维度的目标时序相关特征图进行时序分析,得到第一时间模式信息。
其中,第一长短期记忆子网络可以是Conv LSTM图像长短期记忆网络。
具体地,终端可以通过第一长短期记忆子网络对第一维度的目标时序相关特征图进行时序分析,也就是获取多个步长的压缩后的时序相关特征图之间的时间关联信息,并将获取到的时间关联信息确定为第一时间模式信息。
步骤604,基于第二长短期记忆子网络对第二维度的目标时序相关特征图进行时序分析,得到第二时间模式信息。
其中,第二长短期记忆子网络可以是Conv LSTM图像长短期记忆网络。
具体地,终端可以通过第二长短期记忆子网络对第二维度的目标时序相关特征图进行时序分析,也就是获取多个步长的压缩后的时序相关特征图之间的时间关联信息,并将获取到的时间关联信息确定为第二时间模式信息。
步骤606,基于第三长短期记忆子网络对第三维度的目标时序相关特征图进行时序分析,得到第三时间模式信息。
其中,第三长短期记忆子网络可以是Conv LSTM图像长短期记忆网络。
具体地,终端可以通过第三长短期记忆子网络对第三维度的目标时序相关特征图进行时序分析,也就是获取多个步长的压缩后的时序相关特征图之间的时间关联信息,并将获取到的时间关联信息确定为第三时间模式信息。
本实施例中,通过长短期记忆网络对目标维度的时序相关特征图进行时间关联信息的处理,可以将时序数据转变成时序相关特征图,以使故障检测模型可以同时监测目标设备的多个时序变量,以及目标设备与临近的目标设备的时序变量,可以使目标设备的状态监测信息更加全面完整,提供准确的数据基础。
在一个实施例中,如图7所示,步骤406“基于多个维度的目标时序相关特征图以及多个时间模式信息进行特征重构处理,得到目标重构时序相关特征图”的具体处理过程,包括:
步骤702,通过第一反卷积层,对第一时间模式信息和第一维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第一维度的目标时序相关特征图对应的第一重构时序相关特征图。
其中,各维度的目标时序相关特征图是由卷积模块输出的。卷积模块可包括第四尺度的第一反卷积层、第五尺度的第二反卷积层以及第六尺度的第三反卷积层。
具体地,终端可对第一时间模式信息和第一维度的目标时序相关特征图的进行叠加处理,得到第一时间模式信息和第一维度的目标时序相关特征图的叠加结果,终端可通过第一反卷积层对该叠加结果进行解码处理。也就是说,终端可将第一时间模式信息和第一维度的目标时序相关特征图的叠加结果输入至第一反卷积层,以使第一反卷积层在第一反卷积层内对第一时间模式信息和第一维度的目标时序相关特征图的叠加结果进行特征重构处理,得到得到第一维度的目标时序相关特征图对应的第一重构时序相关特征图。在一个示例中,终端得到的第一维度的目标时序相关特征图对应的第一重构时序相关特征图可是64维的目标时序相关特征图。
步骤704,通过第二反卷积层,对第一重构时序相关特征图、第二时间模式信息和第二维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第二维度的目标时序相关特征图对应的第二重构时序相关特征图。
具体地,终端可对第二时间模式信息和第二维度的目标时序相关特征图的进行叠加处理,得到第二时间模式信息和第二维度的目标时序相关特征图的第一叠加结果,同时,终端还可将第一叠加结果与第一反卷积层输出的第一重构时序相关特征图进行叠加处理,得到第二叠加结果。基于此,终端可通过第二反卷积层对该第二叠加结果进行解码处理。也就是说,终端可将第二时间模式信息和第二维度的目标时序相关特征图的第一叠加结果,与第一反卷积层输出的第一重构时序相关特征图进行叠加处理,将得到的第二叠加结果输入至第二反卷积层,以使第二反卷积层在第二反卷积层内对第二叠加结果进行特征重构处理,得到第二维度的目标时序相关特征图对应的第二重构时序相关特征图。在一个示例中,终端得到的第二叠加结果可以是128维度的目标时序相关特征图,第二反卷积层输出的得到第二维度的目标时序相关特征图对应的第二重构时序相关特征图可是32维的目标时序相关特征图。
步骤706,通过第三反卷积层,对第二重构时序相关特征图、第三时间模式信息和第三维度的目标时序相关特征图的叠加结果进行特征重构处理,得到目标重构时序相关特征图。
具体地,终端可以对第三时间模式信息和第三维度的目标时序相关特征图的进行叠加处理,得到第三时间模式信息和第三维度的目标时序相关特征图的第三叠加结果,同时,终端还可以将第三叠加结果与第二反卷积层输出的第二重构时序相关特征图进行叠加处理,得到第四叠加结果。基于此,终端可以通过第三反卷积层对该第四叠加结果进行解码处理。也就是说,终端可以将第三时间模式信息和第三维度的目标时序相关特征图的第三叠加结果,与第二反卷积层输出的第二重构时序相关特征图进行叠加处理,得到第四叠加结果,并将第四叠加结果输入至第三反卷积层,以使第三反卷积层在第三反卷积层内对第四叠加结果进行特征重构处理,得到第三维度的目标时序相关特征图对应的目标重构时序相关特征图。
本实施例中,通过无监督模式的自编解码器进行特征提取以及特征重构处理,可以精准提取正常类别数据的特征,实现对目标设备的准确的故障检测。
在一个实施例中,如图8所示,该故障检测模型的训练方法还包括:
步骤802,获取目标设备的待检测时序数据,以及确定待检测时序数据对应的待检测时序特征。
其中,目标设备的待检测时序数据可以是获取到的待检测的目标设备的预设时间段内的各运行状态指标数据,预设时间段可以是基于实际应用场景确定出的数据采集的时间段。
具体地,针对于待检测的目标设备,终端可以实时检测该待检测的目标设在预设时间段内的各运行状态指标数据,并对待检测时序数据进行特征提取处理,得到待检测时序数据对应的待检测时序特征。
步骤804,基于待检测时序特征确定待检测时序相关特征图,并将待检测时序相关特征图输入至目标故障检测模型,得到待检测的重构时序相关特征图。
具体地,终端可以在待检测时序数据包含的多个时间点的多个运行状态指标数据分别对应的待检测时序特征中,基于预设时间窗口,提取该预设时间窗口的步长分别对应的多个目标待检测时序特征,并两两计算各目标待检测时序特征包含的各个运行状态指标数据对应的运行状态指标特征之间的特征相关度;基于此,终端可以基于计算出的各两两目标时序特征包含的各个运行状态指标数据对应的运行状态指标特征之间的特征相关度,得到待检测时序相关特征图。
这样,终端可以将待检测时序相关特征图输入至训练好的目标故障检测模型,目标故障检测模型可以通过目标故障检测模型包含的卷积模块,对待检测时序相关特征图进行卷积处理,得到卷积处理后的目标时序相关特征图;终端还可以通过目标故障检测模型包含的长短期记忆网络对进行卷积处理后的目标时序相关特征图进行处理,得到时间模式信息。基于此,终端可以通过目标故障检测模型包含的反卷积模块对卷积处理后的目标时序相关特征图以及时间模式信息进行解码处理,得到待检测的重构时序相关特征图。
步骤806,基于待检测时序相关特征图与待检测的重构时序相关特征图,确定目标设备的待检测时序数据对应的故障检测结果。
具体地,终端在确定出待检测的重构时序相关特征图后,可以将待检测的重构时序相关特征图与待检测时序数据对应的待检测时序相关特征图进行比较,终端可以通过目标故障检测模型对待检测的重构时序相关特征图与待检测时序相关特征图的比较结果,确定待检测时序数据对应的故障检测结果,也就是确定目标设备的故障检测结果,可以是出现故障的检测结果,也可以是未出现故障的检测结果。同时,终端还可以输出目标设备为出现故障的时间段,以及未出现故障的时间段。
在一个示例中,基于目标故障检测模型,终端可以计算待检测的重构时序相关特征图与待检测时序相关特征图之间的特征图差值,如果终端确定计算出的特征图差值大于或者等于预设的特征图差值阈值,则终端可以确定该待检测时序数据对应的时间段的故障检测结果是出现故障的检测结果;如果终端确定计算出的特征图差值小于预设的特征图差值阈值,则终端可以确定该待检测时序数据对应的时间段的故障检测结果是未出现故障的检测结果。
在另一个示例中,基于目标故障检测模型,终端可以计算待检测的重构时序相关特征图与待检测时序相关特征图之间的特征图差值,并统计特征图差值大于或者等于预设特征图差值阈值的第一时间段,以及统计特征图差值小于预设特征图差值阈值的第二时间段。基于此,终端通过目标故障检测模型输出的故障检测结果可以是,目标设备在第一时间段为出现故障,在第二时间段为未出现故障。
本实施例中,通过包含无监督模式下的自编解码器对目标设备的时序数据进行故障检测,可以得到准确的故障检测结果。
在一个实施例中,如图9所示,步骤806“基于待检测时序相关特征图与待检测的重构时序相关特征图,确定目标设备的待检测时序数据对应的故障检测结果”的具体处理过程,包括:
步骤902,在待检测时序相关特征图与待检测的重构时序相关特征图不满足第一相似条件的情况下,确定目标设备的待检测时序数据对应的故障检测结果是故障结果。
其中,第一相似条件可以是待检测时序相关特征图与待检测的重构时序相关特征图之间的特征图差值大于或者等于预设的特征图差值阈值。故障检测结果是故障结果可以表征目标设备出现故障,是异常运行状态等等。
具体地,终端可以通过目标故障检测模型对待检测的重构时序相关特征图与待检测时序相关特征图的比较结果,确定待检测时序数据对应的故障检测结果。例如,基于目标故障检测模型,终端可以计算待检测的重构时序相关特征图与待检测时序相关特征图之间的特征图差值,如果终端确定计算出的特征图差值大于或者等于预设的特征图差值阈值,则终端可以确定该待检测时序数据对应的时间段的故障检测结果是出现故障的检测结果。
步骤904,在待检测时序相关特征图与待检测的重构时序相关特征图满足第一相似条件的情况下,确定目标设备的待检测时序数据对应的故障检测结果是非故障结果。
具体地,终端可以通过目标故障检测模型对待检测的重构时序相关特征图与待检测时序相关特征图的比较结果,确定待检测时序数据对应的故障检测结果。例如,基于目标故障检测模型,终端可以计算待检测的重构时序相关特征图与待检测时序相关特征图之间的特征图差值,如果终端确定计算出的特征图差值小于预设的特征图差值阈值,则终端可以确定该待检测时序数据对应的时间段的故障检测结果是未出现故障的检测结果。
本实施例中,通过包含无监督模式下的自编解码器对目标设备的时序数据进行故障检测,可以得到准确的故障检测结果。
在一个实施例中,如图10所示,步骤902“在待检测时序相关特征图与待检测的重构时序相关特征图不一致的情况下,确定目标设备的待检测时序数据对应的故障检测结果是故障结果”的具体处理过程,包括:
步骤1002,在待检测时序相关特征图与待检测的重构时序相关特征图不满足第一相似条件的情况下,对目标设备的待检测时序数据进行降维处理,得到目标待检测时序数据。
具体地,基于目标故障检测模型,终端可以计算待检测的重构时序相关特征图与待检测时序相关特征图之间的特征图差值,如果终端确定计算出的特征图差值大于或者等于预设的特征图差值阈值,则终端可以确定待检测时序相关特征图与待检测的重构时序相关特征图不满足第一相似条件,基于此,终端可以通过将待检测时序数据输入至目标故障检测模型包含的故障辨识模块,通过故障辨识模块中的预设的分析算法,对目标设备的待检测时序数据进行降维处理,得到目标待检测时序数据。
步骤1004,基于预设的时域特征算法,确定目标待检测时序数据对应的待检测时域特征。
具体地,终端可以通过故障辨识模块中的预设的时域特征算法,对目标待检测时序数据进行时域特征的提取处理,得到该目标待检测时序数据对应的待检测时域特征。
步骤1006,如果待检测时域特征与目标时域特征集满足第二相似条件,则确定目标设备的待检测时序数据对应的故障检测结果是故障结果。
具体地,终端可以基于故障辨识模块包含的目标时域特征集,对待检测时域特征进行故障检测。具体检测的过程可以是:基于目标时域特征集包含的多个目标时域特征,终端可以基于预设相似度算法,分别计算各目标时域特征与待检测时域特征之间的相似度;在各目标时域特征与待检测时域特征之间的相似度中进行筛选,如果存在大于或者等于预设相似度阈值的相似度,则终端可以确定待检测时域特征与目标时域特征集满足第二相似条件,即终端可以确定目标设备的待检测时序数据对应的故障检测结果是故障结果。
也就是说,在终端基于目标故障检测模型中的故障检测模块,确定目标设备的待检测时序数据对应的初始故障检测结果为出现故障的结果的情况下,终端可以将目标设备的待检测时序数据输入至目标故障检测模型中的故障辨识模块,对目标设备的待检测时序数据进行二次判断,得到故障检测结果。
本实施例中,通过对待检测时序数据进行多次判断,可以保证对目标设备进行故障检测的准确性。
在一个实施例中,如图11所示,步骤1006“如果待检测时域特征与目标时域特征集满足第二相似条件,则确定目标设备的待检测时序数据对应的故障检测结果是故障结果”的具体处理过程,包括:
步骤1102,计算待检测时域特征与目标时域特征集包含的各个目标时域特征之间的相似度。
具体地,终端可以基于目标时域特征集包含的多个目标时域特征,通过预设相似度算法,分别计算各目标时域特征与待检测时域特征之间的相似度。其中,预设相似度算法可以是相似距离算法,例如可以是cos距离算法等等。
步骤1104,如果存在相似度大于预设相似度阈值的目标时域特征,则确定目标设备的待检测时序数据对应的故障检测结果是故障结果。
具体地,终端可以在各目标时域特征分别与待检测时域特征之间的各个相似度中进行筛选,如果存在大于或者等于预设相似度阈值的相似度,则终端可以确定待检测时域特征与目标时域特征集满足第二相似条件,即终端可以确定目标设备的待检测时序数据对应的故障检测结果是故障结果。
也就是说,在终端基于目标故障检测模型中的故障检测模块,确定目标设备的待检测时序数据对应的初始故障检测结果为出现故障的结果的情况下,终端可以将目标设备的待检测时序数据输入至目标故障检测模型中的故障辨识模块,对目标设备的待检测时序数据进行二次判断,得到故障检测结果。
本实施例中,通过对待检测时序数据进行多次判断,可以保证对目标设备进行故障检测的准确性。
在一个实施例中,如图12所示,该故障检测模型的训练方法还包括:
步骤1202,在大于或者等于预设相似度阈值的各相似度中进行筛选,确定最大的相似度,并确定最大的相似度对应的目标时域特征。
具体地,终端在计算得到目标时域特征集包含的各个时域特征与待检测时域特征之间的相似度后,可以在大于或者等于预设相似度阈值的各个相似度之间进行筛选,并确定数值最大的相似度对应的目标时域特征。
步骤1204,基于预设的时域特征与故障类型之间的对应关系,确定目标时域特征对应的目标故障类型,并确定目标设备的待检测时序数据对应的故障类型为目标故障类型。
具体地,终端可以基于预设的时域特征与故障类型之间的对应关系,确定目标时域特征对应的目标故障类型;这样,终端可以确定目标设备的故障检测结果为出现故障,且故障类型为目标时域特征对应的目标故障类型。
本实施例中,通过对待检测时序数据进行多次判断,可以保证对目标设备进行故障检测的准确性,还可以精准确定出现故障的类型。
以下,结合一个具体实施例详细描述上述故障检测模型的训练方法的具体执行过程:
相关技术中,空调等制冷设备在运行过程中,会出现各种故障,造成数据中心制冷失效,产生服务器高温报警甚至宕机的安全风险,同时也间接导致了数据中心能耗和电力成本的激增。因此,建立有效的数据中心空调系统故障诊断和隔离机制具有重要意义。
相关技术中对数据中心中的制冷设备进行故障诊断的方法可以包括:基于模型驱动的方法和基于数据驱动的方法。基于模型驱动的方法是从空调系统的设计机理出发,对制冷控制逻辑进行数学建模,并实时比较模型结果与监测变量的差异来实现故障诊断。然而,空调系统特别是水冷式空调规模庞大,设计机理复杂,模型构建和诊断实施难度高。基于数据驱动方法主要依托运行过程中产生海量数据,通过自动挖掘安全运维知识和规律,实现设备的故障诊断。特别是随着机器学习、深度学习等人工智能技术的快速发展,基于各种智能模型的诊断方法能够通过海量数据自主形成诊断模型,并不断自我完善,提高故障诊断的准确性。
当前,通过人工智能模型对制冷设备进行故障检测成为一种常用方法,但是还是会存在诸多问题,例如,现有故障诊断模型训练都是在数据分布理想状态下进行的,一方面,要求故障数据和正常数据比例均衡,但故障属于偶发事件,这就导致故障数据与正常数据比例严重失衡,数据的不平衡造成模型诊断的高误差。另一方面,模型训练要求故障数据和正常数据之间具有明显的特征区分,从而便于从数据中学习故障模式,但实际情况是由于噪声等因素的存在,二者之间可能存在高度相似,这就给模型构建造成困难,形成的模型也会频繁地误报警。另外,现有大多基于智能模型的空调故障检测都是采用有监督学习策略,也就是说模型训练之前需要利用领域知识对数据进行大量的人工标注,增加了人力成本。
本申请实施例提供的一种故障检测模型的训练方法可以是基于深度学习自编码器和时域特征分析的数据中心空调故障检测方法,如图13所示,可以是本申请实施例提供的目标故障检测模型的结构示意图,以及应用流程图。
目标故障检测模型可以包括故障检测模块和故障辨识模块,还可以包括数据处理模块。数据处理模块的应用过程可以包括:获取机房制冷设备时序数据、Z-Score数据标准化;故障检测模块的应用过程可以包括:获取数据处理模块输出的正常类数据(即正常类别的第一样本数据),构建时序相关图、卷积编码器特征编码、卷积-长短期记忆时序分析、卷积解码器解码以及获取自编码模型;
故障辨识模块的应用过程可以包括:故障类数据、Kernel-PCA数据降维以及构建空调故障时域特征判定集。
应用流程图可以是故障检测与判定:在线数据,自编码器空调状态实时检测、是否异常,在异常的情况下,Kernel-PCA数据降维,并计算时域特征,以及K-neighbor故障辨识。
具体地,故障检测模块主要通过基于卷积长短期记忆网络(CNN-LSTM)的自编码器实现,是当遇到异常数据时,通过计算编码器编码结果与正常数据编码结果的差异度,实现设备异常状态和时间段的初步判定。同时,终端可以通过故障判定模块进行故障具体判定,它主要由Kernel-PCA主成分分析、滑窗时域特征计算和K近邻(K-neighbor)分类器组成。其基本原理是,首先将初步判定为异常时段的数据进行Kernel-PCA降维,获取主要特征关键信息,其次计算数据的时域特征信息,包括均值、方差、裕度、峭度等,最后,通过K-neighbor将时域特征与各类故障特征比较,实现是否故障和类别的判定。
如图14所示,在一个示例中可以是目标故障检测模型的模型结构图,也可以是目标故障检测模型中的故障检测模块的结构图。
步骤1,终端可以构建时序相关图,面向目标设备的多变量时序特征属性,可以构建多维度的特征相关图时间序列,用于表征系统不同时间步长状态信息;也就是对于目标设备的多个运行状态指标数据,可以基于该目标设备的多个运行状态指标数据,得到目标时序相关特征图。
在一个示例中,正常状态的时间序列特征为x=(x1,x2,...,xT)∈Rm×T,滑动窗格(预设时间窗口)大小设置为W=[5,10,15],某一滑动窗格w下的任意两个时序特征记为:和/>则构成的相关图矩阵为:
其中,x可以是时序数据对应的时间序列特征,T是数据采集时间段,x1可以是在数据采集时间段内的第一个采集时间点采集到的时序数据对应的时序特征,x2可以是在数据采集时间段内的第二个采集时间点采集到的时序数据对应的时序特征等等;t可以是滑动窗口的时长,t-w可以是滑动窗口中的第一滑动步长对应的时间点,表示/>与/>之间的目标时序相关特征图,κ=w是缩放因子。
步骤2,卷积编码器特征编码;终端可以通过卷积编码器对时序相关图(目标时序相关特征图)进行编码,去除特征相关性矩阵中的噪声信息,同时进行数据压缩。
本申请实施例提供的故障检测模型的训练方法中,可以进行三次卷积编码,每一层卷积核的大小可以是,第一卷积层conv1的卷积核大小为:stride:1*1,channel:32;第二卷积层的conv2卷积核大小为:stride:2*2,channel:64;第三卷积层conv3的卷积核大小为:stride:2*2,channel:128。其中,步长可以是h(可记为h-steps)。
具体地,终端确定出的时序相关图序列可以记为X∈R(T-15)×3×m×m,其中任意时刻的相关图记为X∈R3×m×m,则任意一层卷积编码后的结果记为:
Xt,l=f(Wl*Xt,l-1+bl)
其中Wl是卷积权重,*为卷积运算。
步骤3,卷积-长短期记忆时序分析,终端可以通过卷积-图像长短期记忆(ConvLSTM)网络,捕获目标时序相关特征图序列中的时间模式信息。
对于三次卷积获得编码特征(可记为第一维度的目标时序相关特征图、第二维度的目标时序相关特征图以及第三维度的目标时序相关特征图)分别进行长短期记忆分析,假设ConvLSTM允许输入的数据时间步长为h,对于每一组编码特征,则ConvLSTM的网络输出结果为:
步骤4,卷积解码器特征解码,终端可以根据压缩后的特征相关性和时序信息,利用卷积解码器进行特征矩阵重构,卷积解码器包括第一反卷积层(DeConv3)、第二反卷积层(DeConv2)、第三反卷积层(DeConv1)。终端可以依次对三次卷积后的编码结果进行反卷积,并在每一层的反卷积层进行特征重构处理之前,将LSTM输出的结果与各卷积层输出的不同维度的时序相关特征图叠加,再将叠加结果输入至反卷积层中,其结果记为:
其中,为反卷积运算。
具体地,终端可以基于重构时序特征矩阵(目标重构时序相关特征图)与目标时序相关特征图计算损失函数(loss function),并基于计算出的损失函数更新故障检测模型的模型参数,直至满足预设训练完成条件,得到训练好的故障检测模型。
在一个示例中,目标故障检测模型包括故障辨识模块,可对时序故障检测的异常告警数据进行分析,获取故障数据的规律,故障辨识模块内容详细如下:
步骤1,KernelPCA数据降维,将自编码器告警异常的时间段的数据降维为1维特征,提取表征设备故障状态的主要信息。对于原始的多维特征,重新构建正交空间,使数据点分布在新坐标的一个坐标轴上,同时尽可能保留原先数据分布的主要信息。
步骤2,时域特征分析,终端可以对降维后的数据进行时域特征分析,以动态滑动窗格的方式,提取主要时域特征,包括:
样本方差:
均方值:
裕度:
峭度:
脉冲因子:
在诊断任务中也可根据实际需求采用其他时域特征,如偏度、峰度、裕度因子、形状因子等。
步骤3,故障的判定与分类,通过K-neighbor算法,将异常时域特征数据与时域特征判定集进行比较,实现是否故障以及具体故障类型的判定。
结合另一个示例详细描述上述故障检测模型的训练方法的执行过程:
阶段一:模型构造与训练
步骤1,获取机房空调设备时序数据,包括:机柜测点温度、水阀开度、空调回风温度、空调风机转速、空调设定风机转速、空调最小设定风机转速等。
步骤2,对机房时序数据进行特征归一化。
步骤3,基于进行特征归一化处理后的机房时序数据,也就是利用制冷设备正常状态数据,构建CNN+ConvLSTM自编码故障检测模型。
步骤3-1,基于进行特征归一化处理后的机房时序数据,确定高维时序特征(目标时序特征),两两计算它们之间的相关性,构成目标时序相关特征图。
步骤3-2,通过3层CNN卷积,依次对目标时序相关特征图进行压缩和去噪处理,得到不同维度的第一目标时序相关特征图、第二目标时序相关特征图以及第三目标时序相关特征图。
步骤3-3,通过ConvLSTM图像长短期记忆网络,捕获h个步长的压缩后目标时序相关特征图中的时间关联信息,可得到第一时间模式信息、第二模式信息以及第三模式信息。
步骤3-4,通过3层DCNN反卷积,对不同维度的第一目标时序相关特征图、第二目标时序相关特征图以及第三目标时序相关特征图进行反向重构,,并在每层重构前,需将LSTM后结果与未重构结果叠加,再进行反卷积。
步骤3-5,计算重构时序图与原始数据图之间的差值,利用梯度下降,完成模型训练。
步骤4,通过KernelPCA主成分分析,将高维的异常状态数据(第二样本数据)降维为1维数据。
步骤5,采用滑动窗格的方式,依次计算降维后时序数据的时域特征,形成制冷设备故障时域特征判定集,即目标时域特征集。
阶段二:故障检测与判定
步骤1,获取机房制冷设备的时序数据,包括:机柜测点温度、水阀开度、空调回风温度、空调风机转速、空调设定风机转速、空调最小设定风机转速等。
步骤2,对机房时序数据进行特征归一化。
步骤3,将时序数据注入CNN+ConvLSTM故障检测模型,当目标重构目标时序相关特征图与原始的目标目标时序相关特征图之间的特征图差值大于预设的特征图差值阈值,则标记此点对应的时序数据为数据异常点,并记录异常时间,得到异常时间段。
步骤4,通过kernelPCA主成分分析,将异常时间段的制冷设备状态数据降维为1维数据。
步骤5,采用滑动窗格的方式,依次计算降维后异常数据的时域特征。
步骤6,通过K-neighbor算法,将异常时域特征数据与时域特征判定集进行比较,实现是否故障以及具体故障类型的判定。
本实施例提供的故障检测模型的训练方法,可以将深度学习自编码器与时域分析和结合。基于卷积-长短期记忆网络自编码器实现了数据中心空调状态的实时监测和故障预检测。基于kernel-PCA结合时域分析实现了设备故障与具体故障类型的精准判定,以及通过kernel-PCA结合时域分析方法,形成了空调故障时域特征判定集,捕获了空调各个故障下的数据模式状态,还可以普遍解决故障诊断中存在的故障与非故障模式相似度高的问题。本实施例提供的故障检测模型的训练方法,可以通过深度学习自编码器的方式进行故障检测,避免了模型训练的数据打标工作,减少模型训练的工作量的同时也实现了对空调设备的实时监测和预检测。
本实施例提供的故障检测模型的训练方法,可以实现面向数据中心空调系统的故障检测与辨识,提出了一种故障检测和故障辨识结合的故障诊断方法。它包括了一种基于卷积-长短期记忆网络自编码器故障检测模块,实现了数据中心空调状态的实时监测和故障预检测。同时设计了一种基于kernel-PCA结合时域分析的故障辨识模块,对预检测结果进一步分析,实现了设备故障与具体故障类型的精准判定。还可以解决实际诊断中故障样例较少,导致诊断模型精度不高的问题,提升空调故障诊断方法的实用性和诊断的准确性;同时自编码器的策略也避免了故障检测模型训练过程需要大量人工标注数据的问题。也可以解决实际空调故障诊断中,由于噪声等因素造成故障数据特征和部分正常数据特征无明显区分,造成模型难以训练和容易出现故障误报警的问题。
应该理解的是,虽然如上的各实施例所涉及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,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的故障检测模型的训练方法的故障检测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个故障检测模型的训练装置实施例中的具体限定可以参见上文中对于故障检测模型的训练方法的限定,在此不再赘述。
在一个实施例中,如图15所示,提供了一种故障检测模型的训练装置1500,包括:第一获取模块1502、第一确定模块1504、编解码模块1506以及训练模块1508,其中:
第一获取模块1502,用于获取目标设备的时序数据,以及确定时序数据对应的时序特征,时序数据至少包括正常类别的第一样本数据,第一样本数据包括多个时间点的多个运行状态指标数据。
第一确定模块1504,用于基于预设时间窗口、多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图。
编解码模块1506,用于对目标时序相关特征图进行编解码处理,得到目标时序相关特征图对应的目标重构时序相关特征图。
训练模块1508,用于基于目标时序相关特征图以及目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
上述故障检测模型的训练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服务器,其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储目标设备的相关以及故障检测模型的数据。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故障检测模型的训练方法。
本领域技术人员可以理解,图16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,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (16)
1.一种故障检测模型的训练方法,其特征在于,所述方法包括:
获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
基于预设时间窗口.所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
2.根据权利要求1所述的方法,其特征在于,所述时序数据还包括故障类别的第二样本数据;
所述基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型,包括:
基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的初始故障检测模型;
基于预设的分析算法,对所述故障类别的第二样本数据进行降维处理,得到目标故障样本数据,以及基于预设的时域特征算法,确定所述目标故障样本数据对应的目标时域特征集;
基于所述目标时域特征集以及所述初始故障检测模型,确定目标故障检测模型。
3.根据权利要求1所述的方法,其特征在于,所述基于预设时间窗口以及所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图,包括:
基于预设时间窗口,在所述多个时间点的多个运行状态指标数据对应的时序特征中进行提取,得到多个目标时序特征,以及计算各目标时序特征之间的相关度特征;
基于各所述目标时序特征之间的相关度特征,确定目标时序相关特征图。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图,包括:
对所述时序相关特征图进行卷积处理,得到卷积处理后的时序相关特征图,所述卷积处理后的时序相关特征图包括多个维度的目标时序相关特征图;
基于长短期记忆网络,对所述多个维度的目标时序相关特征图分别进行处理,得到多个时间模式信息;
基于所述多个维度的目标时序相关特征图以及所述多个时间模式信息进行特征重构处理,得到目标重构时序相关特征图。
5.根据权利要求4所述的方法,其特征在于,所述多个维度的时序相关特征至少包括第一维度的目标时序相关特征图.第二维度的目标时序相关特征图以及第三维度的目标时序相关特征图;所述对所述时序相关特征图进行卷积处理,得到卷积处理后的时序相关特征图,包括:
通过第一卷积层对所述时序相关特征图进行卷积处理,得到第一维度的目标时序相关特征图;
通过第二卷积层对所述第一维度的目标时序相关特征图进行卷积处理,得到第二维度的目标时序相关特征图;
通过第三卷积层对所述第二维度的目标时序相关特征图进行卷积处理,得到第三维度的目标时序相关特征图。
6.根据权利要求5所述的方法,其特征在于,所述基于长短期记忆网络,对所述多个维度的目标时序相关特征图分别进行处理,得到多个时间模式信息,包括:
基于第一长短期记忆子网络对所述第一维度的目标时序相关特征图进行时序分析,得到第一时间模式信息;
基于第二长短期记忆子网络对所述第二维度的目标时序相关特征图进行时序分析,得到第二时间模式信息;
基于第三长短期记忆子网络对所述第三维度的目标时序相关特征图进行时序分析,得到第三时间模式信息。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多个维度的目标时序相关特征图以及所述多个时间模式信息进行特征重构处理,得到重构时序相关特征图,包括:
通过第一反卷积层,对所述第一时间模式信息和所述第一维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第一维度的目标时序相关特征图对应的第一重构时序相关特征图;
通过第二反卷积层,对所述第一重构时序相关特征图.所述第二时间模式信息和所述第二维度的目标时序相关特征图的叠加结果进行特征重构处理,得到第二维度的目标时序相关特征图对应的第二重构时序相关特征图;
通过第三反卷积层,对所述第二重构时序相关特征图.所述第三时间模式信息和所述第三维度的目标时序相关特征图的叠加结果进行特征重构处理,得到目标重构时序相关特征图。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标设备的待检测时序数据,以及确定所述待检测时序数据对应的待检测时序特征;
基于所述待检测时序特征确定待检测时序相关特征图,并将所述待检测时序相关特征图输入至所述目标故障检测模型,得到待检测的重构时序相关特征图;
基于所述待检测时序相关特征图与所述待检测的重构时序相关特征图,确定所述目标设备的待检测时序数据对应的故障检测结果。
9.根据权利要求8所述的方法,其特征在于,所述基于所述待检测时序相关特征图与所述待检测的重构时序相关特征图,确定所述目标设备的待检测时序数据对应的故障检测结果,包括:
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不满足第一相似条件的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果;
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图满足第一相似条件的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是非故障结果。
10.根据权利要求9所述的方法,其特征在于,所述在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不一致的情况下,确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果,包括:
在所述待检测时序相关特征图与所述待检测的重构时序相关特征图不一致的情况下,对所述目标设备的待检测时序数据进行降维处理,得到目标待检测时序数据;
基于预设的时域特征算法,确定所述目标待检测时序数据对应的待检测时域特征;
如果所述待检测时域特征与所述目标时域特征集满足第二相似条件,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果。
11.根据权利要求10所述的方法,其特征在于,所述如果所述待检测时域特征与所述目标时域特征集满足第二相似条件,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果,包括:
计算所述待检测时域特征与所述目标时域特征集包含的各个目标时域特征之间的相似度;
如果存在相似度大于预设相似度阈值的目标时域特征,则确定所述目标设备的待检测时序数据对应的故障检测结果是故障结果。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
在大于预设相似度阈值的各相似度中进行筛选,确定最大的相似度,并确定所述最大的相似度对应的目标时域特征;
基于预设的时域特征与故障类型之间的对应关系,确定所述目标时域特征对应的目标故障类型,并确定所述目标设备的待检测时序数据对应的故障类型为目标故障类型。
13.一种故障检测模型的训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标设备的时序数据,以及确定所述时序数据对应的时序特征,所述时序数据至少包括正常类别的第一样本数据,所述第一样本数据包括多个时间点的多个运行状态指标数据;
第一确定模块,用于基于预设时间窗口.所述多个时间点的多个运行状态指标数据对应的时序特征中进行时序相关特征处理,得到目标时序相关特征图;
编解码模块,用于对所述目标时序相关特征图进行编解码处理,得到所述目标时序相关特征图对应的目标重构时序相关特征图;
训练模块,用于基于所述目标时序相关特征图以及所述目标重构时序相关特征图,对待训练的故障检测模型进行训练,得到训练好的目标故障检测模型。
14.一种计算机设备,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12中任一项所述的方法的步骤。
15.一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实现权利要求1至12中任一项所述的方法的步骤。
16.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015196.7A CN117113139A (zh) | 2023-08-11 | 2023-08-11 | 故障检测模型的训练方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015196.7A CN117113139A (zh) | 2023-08-11 | 2023-08-11 | 故障检测模型的训练方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113139A true CN117113139A (zh) | 2023-11-24 |
Family
ID=88804807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311015196.7A Pending CN117113139A (zh) | 2023-08-11 | 2023-08-11 | 故障检测模型的训练方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113139A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473429A (zh) * | 2023-12-27 | 2024-01-30 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
-
2023
- 2023-08-11 CN CN202311015196.7A patent/CN117113139A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473429A (zh) * | 2023-12-27 | 2024-01-30 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
CN117473429B (zh) * | 2023-12-27 | 2024-03-26 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814523A (zh) | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 | |
CA3037326A1 (en) | Sparse neural network based anomaly detection in multi-dimensional time series | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN111898639B (zh) | 基于降维的分层时间记忆工业异常检测方法与装置 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN114048769A (zh) | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN117113139A (zh) | 故障检测模型的训练方法、装置、计算机设备和存储介质 | |
Wang et al. | A cognitive memory-augmented network for visual anomaly detection | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
CN114760098A (zh) | 一种基于cnn-gru的电网虚假数据注入检测方法及装置 | |
CN116522265A (zh) | 工业互联网时序数据异常检测方法及装置 | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
CN110969015B (zh) | 一种基于运维脚本的标签自动化识别方法和设备 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
Qin et al. | CSCAD: Correlation structure-based collective anomaly detection in complex system | |
WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
KR20210126378A (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN116167008A (zh) | 基于数据增强的物联感知云数据中心异常定位方法 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN115146689A (zh) | 一种基于深度学习的动力系统高维测量数据降维方法 | |
KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
CN112632466A (zh) | 一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法 | |
Chen et al. | Identification of Wellbore Flow Abnormal Working Conditions Based on Deep Learning |
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 |