CN117473273A - 异常检测方法、装置、终端及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种异常检测方法、装置、终端及计算机可读存储介质，异常检测方法包括：获取背辊在预设时长内的扭矩信号；对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值；基于信号特征值，确定背辊的运行健康值；基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变。通过采集背辊在预设时长内的扭矩数据，不需要额外增添传感器设备，减少成本和复杂性；且扭矩信息精确度高，能准确反映背辊的状态，提高背辊状态检测的可靠性；进而实现实时监测背辊的运行情况；基于背辊的运行健康值判定背辊是否发生扭矩异常跳变，提高背辊监测的准确性，确保涂布工艺的稳定性和产品质量。

Description

异常检测方法、装置、终端及计算机可读存储介质

技术领域

本发明涉及数据处理技术领域，特别是涉及一种异常检测方法、装置、终端及计算机可读存储介质。

背景技术

锂离子电池的生产制造过程中，涂布作为其中的重要工序，背辊的运行状态对最终产品的质量和生产效率具有重要影响。涂布背辊是涂布机械的重要组成部分，其功能是均匀地将涂布材料应用于被涂布物体表面。背辊的设计和性能对于涂布的质量和效率起着关键作用。背辊圆跳是一个涂布工艺中常见的问题，它表现为背辊在运行过程中发生的不规则振动或波动，可能导致涂布膜的不均匀性和生产线的停机。

发明内容

本发明主要解决的技术问题是提供一种异常检测方法、装置、终端及计算机可读存储介质，能够及时准确的监测背辊的运行情况，确保涂布工艺的稳定性和产品质量。

第一方面，本申请提供了一种异常检测方法，异常检测方法包括：获取背辊在预设时长内的扭矩信号；对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值；基于信号特征值，确定背辊的运行健康值；基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变。

本申请实施例的技术方案中，通过采集背辊在预设时长内的扭矩数据，不需要额外增添传感器设备，减少成本和复杂性；且扭矩信息精确度高，能准确反映背辊的状态，提高背辊状态检测的可靠性；通过对扭矩信号进行特征提取，得到采集的预设时长内背辊的运行特征；通过逻辑回归网络基于运行特征，确定背辊的运行健康值，进而实现实时监测背辊的运行情况；基于背辊的运行健康值判定背辊是否发生扭矩异常跳变，提高背辊监测的准确性，确保涂布工艺的稳定性和产品质量。

在一些实施例中，获取背辊在预设时长内的扭矩信号，包括：获取背辊在预设时长内的多个初始检测信息；初始检测信息包括扭矩信号、背辊运行状态；背辊运行状态包括停机状态、待料状态和涂布状态；从初始检测信息中提取背辊运行状态为涂布状态的多个扭矩信号。

本申请实施例的技术方案中，通过对预设时长内的扭矩信息进行筛选，仅对预设时长内背辊运行状态为涂布状态的扭矩信号进行提取，减少处于非工作状态时的扭矩信息对背辊运行状态的影响，通过提高运行数据的精确度，进而提高背辊运行状态的检测准确率。

在一些实施例中，初始检测信息还包括运行速度；获取背辊在预设时长内的扭矩信号，还包括：将涂布状态对应的多个扭矩信号分别对应的运行速度与预设速度进行比对；响应于运行速度超过预设速度，则将运行速度对应的扭矩信号剔除。

本申请实施例的技术方案中，通过基于运行速度对涂布状态对应的扭矩信号进行筛选，剔除异常速度对应的扭矩信号，进一步提高运行数据的精确度，进而提高背辊运行状态的检测准确率。

在一些实施例中，获取背辊在预设时长内的扭矩信号的步骤之后，还包括：对预设时长内的扭矩信号进行预处理；预处理包括异常值处理和/或平滑处理。

本申请实施例的技术方案中，通过对扭矩信号进行预处理，进一步提高运行数据的精确度，进而提高背辊运行状态的检测准确率。

在一些实施例中，各信号特征值具有对应的特征类别；特征类别包括均值、方差、峰值、峰峰值、峭度、偏度中的至少一种；基于信号特征值，确定背辊的运行健康值，包括：将与预设类别匹配的特征类别对应的信号特征值输入逻辑回归网络，得到背辊的运行健康值；其中，逻辑回归网络的训练方法包括：获取训练数据集，训练数据集包括涂布状态对应的多个扭矩数据，且训练数据集关联有标注健康值和多种类别对应的特征信息；背辊故障状态采集的扭矩数据对应的标注健康值小于背辊正常状态采集的扭矩数据对应的标注健康值；将训练数据集对应的特征信息输入逻辑回归网络，得到训练数据集对应的预测健康值；基于训练数据集对应的标注健康值和预测健康值之间的误差值对逻辑回归网络进行迭代训练。

本申请实施例的技术方案中，通过从多个信号特征值中选取预设类别的信号特征值，并基于选取的信号特征值确定背辊的运行健康值，减少计算量，减少背辊的运行状态的延时反馈情况；通过对逻辑回归网络进行训练可以提高，逻辑回归网络的检测准确率。

在一些实施例中，各特征信息关联有评价值；评价值表示类别对应的特征信息对预测健康值的影响度；将训练数据集对应的特征信息输入逻辑回归网络，得到训练数据集对应的预测健康值，包括：基于特征信息的评价值，对训练数据集关联的多个特征信息进行筛选得到至少一种类别的特征信息；筛选得到的特征信息的类别作为预设类别；将训练数据集对应的至少一种类别的特征信息输入逻辑回归网络，得到训练数据集对应的预测健康值。

本申请实施例的技术方案中，基于特征信息的评价值，筛选出对预测健康值影响较大的特征信息，并将筛选得到的特征信息对应的类别确定为预设类别，便于后续基于预设类别对应的信号特征值确定背辊的运行健康值，减少计算量。

在一些实施例中，基于特征信息的评价值，对训练数据集关联的多个特征信息进行筛选得到至少一种类别的特征信息；筛选得到的特征信息的类别作为预设类别，包括：基于评价值的大小，将评价值对应的特征信息依次进行排序；响应于排序靠前的预设数量的特征信息对应的评价值的加和与所有特征信息对应的评价值的加和之间的比值符合预设要求，则提取排序靠前的预设数量的特征信息，并将排序靠前的预设数量的特征信息作为预设类别。

本申请实施例的技术方案中，通过将预设数量的特征信息对应的评价值进行加和，并将与所有特征信息对应的评价值的加和之间的比值符合预设要求的特征信息输入逻辑回归网络，提高数据的精确度，减少数据计算量。

在一些实施例中，基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变，包括：响应于背辊的运行健康值超过阈值，则确定背辊未发生扭矩异常跳变；响应于背辊的运行健康值未超过阈值，则确定背辊发生扭矩异常跳变。

本申请实施例的技术方案中，通过将背辊的运行健康值与阈值进行比较，如果运行健康值超过阈值，则确定背辊在预设时长内的运行处于正常状态；如果运行健康值未超过阈值，则确定背辊在预设时长内发生扭矩异常跳变，提高背辊运行状态的检测准确性。

第二方面，本申请提供了一种异常检测装置，异常检测装置包括：获取模块，用于获取背辊在预设时长内的扭矩信号；特征提取模块，用于对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值；处理模块，用于采用逻辑回归网络基于信号特征值，确定背辊的运行健康值；确定模块，用于基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变。

第三方面，本申请提供了一种终端，终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序，处理器用于执行程序数据以实现如上述的异常检测方法中的步骤。

第四方面，本申请提供了一种计算机可读存储介质，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实现如上述的异常检测方法中的步骤。

可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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它的附图。

图1是本申请提供的异常检测方法的流程示意图；

图2是本申请提供的逻辑回归网络的训练方法一具体实施例的流程示意图；

图3是本申请提供的背辊在涂布状态下采集的扭矩信号；

图4是图3中各预设时长内的扭矩信号对应的运行健康值；

图5是本申请提供的异常检测装置一实施例的框架示意图；

图6是本申请提供的终端一实施例的框架示意图；

图7是本申请提供的计算机可读存储介质一实施例的框架示意图。

具体实施方式

下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组），“多片”指的是两片以上（包括两片）。

在本申请实施例的描述中，技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请实施例的限制。

在本申请实施例的描述中，除非另有明确的规定和限定，技术术语“安装”“相连”“连接”“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请实施例中的具体含义。

背辊圆跳异常是指在涂布过程中背辊的运转不稳定，造成涂布材料在被涂布物体上的分布不均匀。背辊圆跳异常的出现会导致涂布质量不符合要求，同时也会影响生产效率和设备寿命。其影响因素可能包括背辊的磨损程度、背辊轴心与被涂布物体表面之间的间隙以及涂布材料的粘度等。

传统的背辊圆跳监测方法主要依赖于人工巡检和周期性维护，这种方法存在人力资源消耗大、监测效率低下和无法实时响应的问题。随着工业自动化的发展，基于自动化技术的背辊圆跳监测方法日益受到关注。

当前针对背辊圆跳异常的监测方法主要有视觉监测、振动监测和电流监测等。

视觉监测方法是通过安装工业摄像头系统，对拍照图片进行算法处理来判断背辊圆跳。但视觉监测方法通常需要高成本的摄像头系统，并且容易受到光照和污染的影响，不够稳定。

振动监测方法是通过安装加速度传感器来监测背辊的振动情况，从而判断背辊是否存在圆跳现象。但振动监测方法需要安装加速度传感器来监测背辊的振动情况，加速度传感器灵敏度高可能受到外界干扰，工业现场设备环境恶劣以及空间所限，不具备外加传感器的条件，同时外加传感器增加巨大成本。

电流监测方法是通过监测背辊电机驱动电流的变化来判断背辊的运转状态。但是简单的电流监控只能进行定性的分析，难以准确判断背辊圆跳异常，容易出现误报警的问题。

为了高效准确的对背辊圆跳异常进行监测，本申请提供一种异常检测方法，通过监测涂布背辊的扭矩信号实现对背辊圆跳的实时监测。

扭矩信号的产生是由于背辊与被涂布物体的表面之间的摩擦力引起的。扭矩信号具有实时性强、准确度高等特点，因此在涂布背辊圆跳监测中具有较大的应用潜力。

涂布背辊两端采用双角接触球轴承支撑，轴承通过热装消除间隙，实现涂布背辊安装后圆跳动满足工艺要求，且用于采集背辊的扭矩信号的可编程逻辑控制器（Programmable Logic Controller，PLC）安装于驱动轴承转动的马达上，通过采用高精度直驱马达可以保证背辊主轴的旋转精度。

逻辑回归网络是机器学习领域广泛使用的回归/分类模型。在很多情况下，多个模型训练参与方(例如，电子商务公司、快递公司和银行)各自拥有训练逻辑回归模型所使用的特征信息的不同部分数据。该多个模型训练参与方通常想共同使用彼此的数据来统一训练逻辑回归模型，但又不想把各自的数据提供给其它各个模型训练参与方以防止自己的数据被泄露。

本申请提供一种异常检测方法，本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。异常检测方法具体包括如下步骤。

请参阅图1，图1是本申请提供的异常检测方法的流程示意图。

S1：获取背辊在预设时长内的扭矩信号。

S2：对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值。

S3：基于信号特征值，确定背辊的运行健康值。

S4：基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变。

本申请实施例的技术方案中，通过采集背辊在预设时长内的扭矩数据，不需要额外增添传感器设备，减少成本和复杂性；且扭矩信息精确度高，能准确反映背辊的状态，提高背辊状态检测的可靠性；通过对扭矩信号进行特征提取，得到采集的预设时长内背辊的运行特征；通过逻辑回归网络基于运行特征，确定背辊的运行健康值，进而实现实时监测背辊的运行情况；基于背辊的运行健康值判定背辊是否发生扭矩异常跳变，提高背辊监测的准确性，确保涂布工艺的稳定性和产品质量。

在一些实施例中，需要预先对逻辑回归网络进行训练，具体训练方法包括如下。

请参阅图2，图2是本申请提供的逻辑回归网络的训练方法一具体实施例的流程示意图。

S11：获取训练数据集，训练数据集关联有标注健康值和多种类别的特征信息。

具体地，训练数据集包括涂布状态对应的多个扭矩数据，且训练数据集关联有标注健康值和多种类别对应的特征信息；背辊故障状态采集的扭矩数据对应的标注健康值小于背辊正常状态采集的扭矩数据对应的标注健康值。背辊故障状态包括固定在马达上的编码器支架松动造成接触不良。

采集涂布背辊在预设时长内的多个的扭矩信号，扭矩信号均为涂布状态时采集的数据。本实施例中，预设时长可以为设置为4小时、5小时等。预设时长内采集的扭矩信号可以达到10000个。

对采集的扭矩信号进行预处理，以将涂布状态对应的多个扭矩信号中的异常信号进行删除。具体地，预设时长内采集的扭矩信号从大到小依次进行排列，删除排序靠前的第一预设数量个扭矩信号和排序靠后的第二预设数量个扭矩信号，以提高扭矩信号的可靠性。

通过对预设时长内采集的扭矩信号进行特征提取得到多种类别的特征信息。具体地，特征信息包括特征类别以及特征类别对应的特征数据。特征类别包括均值、方差、峰值、峰峰值、峭度、偏度中的至少一种。例如，得到预设时长内采集的扭矩信号对应的均值、方差、峰值、峰峰值、峭度、偏度等类别的特征数据。

各特征信息关联有评价值；评价值表示类别对应的特征信息对预测健康值的影响度。

在一具体实施例中，通过对同一背辊在不同时段进行扭矩信号检测，得到两组训练数据集。其中，第一训练数据集是背辊在扭矩异常跳变状态下采集的多个扭矩信号，第二训练数据集时背辊在扭矩正常状态下采集的多个扭矩信号。对第一训练数据集中的扭矩信号和第二训练数据集中的扭矩信号分别进行特征提取得到均值、方差、峰值、峰峰值、峭度、偏度等各类别对应的特征数据。

第一训练数据集和第二训练数据集的均值、方差、峰值、峰峰值、峭度、偏度等各类别中，将同一类别对应的特征数据进行比对。响应于同一类别对应的特征数据之间的差值越小，则表明该类别的特征信息对预测健康值的影响度较小，该类别对应的评价值越低；同一类别对应的特征数据之间的差值越大，则表明该类别的特征信息对预测健康值的影响度较大，该类别对应的评价值越高。

本实施例中，背辊在扭矩正常状态下采集的多个扭矩信号组成的训练数据集对应的标注健康值较高；背辊在扭矩异常跳变状态下采集的多个扭矩信号组成的训练数据集对应的标注健康值较低。

S12：将训练数据集对应的特征信息输入逻辑回归网络，得到训练数据集对应的预测健康值。

具体地，基于特征信息的评价值，对训练数据集关联的多个特征信息进行筛选得到至少一种类别的特征信息；筛选得到的特征信息的类别作为预设类别；将训练数据集对应的至少一种类别的特征信息输入逻辑回归网络，得到训练数据集对应的预测健康值。

本申请实施例的技术方案中，基于特征信息的评价值，筛选出对预测健康值影响较大的特征信息，并将筛选得到的特征信息对应的类别确定为预设类别，便于后续基于预设类别对应的信号特征值确定背辊的运行健康值，减少计算量。

通过特征选择方式筛选出对预测健康值影响较大的特征信息。特征选择方式包括过滤式、封装式和嵌入式中的至少一种。

在一具体实施例中，采用过滤式筛选出对预测健康值影响较大的特征信息。具体地，基于评价值的大小，将评价值对应的特征信息依次进行排序；响应于排序靠前的预设数量的特征信息对应的评价值的加和与所有特征信息对应的评价值的加和之间的比值符合预设要求，则提取排序靠前的预设数量的特征信息。例如，排序靠前的预设数量的特征信息对应的评价值的加和在所有特征信息对应的评价值的加和中的占比超过80%，则符合预设要求。其中，排序靠前的预设数量的特征信息的类别为峰峰值、峭度、偏度，则将峰峰值、峭度、偏度作为应用过程中的预设类别。

本申请实施例的技术方案中，通过将预设数量的特征信息对应的评价值进行加和，并将与所有特征信息对应的评价值的加和之间的比值符合预设要求的特征信息输入逻辑回归网络，提高数据的精确度，减少数据计算量。

S13：基于训练数据集对应的标注健康值和预测健康值之间的误差值对逻辑回归网络进行迭代训练。

本申请实施例的技术方案中，通过从多个信号特征值中选取预设类别的信号特征值，并基于选取的信号特征值确定背辊的运行健康值，减少计算量，减少背辊的运行状态的延时反馈情况；通过对逻辑回归网络进行训练可以提高，逻辑回归网络的检测准确率。

在一些实施例中，步骤S1中获取背辊在预设时长内的扭矩信号的具体实施方式如下所示。

在一些具体实施例中，获取背辊在预设时长内的多个初始检测信息；初始检测信息包括扭矩信号、背辊运行状态以及采集时间；背辊运行状态包括停机状态、待料状态和涂布状态；从初始检测信息中提取背辊运行状态为涂布状态的多个扭矩信号并根据采集时间进行拼接。

本申请实施例的技术方案中，通过对预设时长内的扭矩信息进行筛选，仅对预设时长内背辊运行状态为涂布状态的扭矩信号进行提取，减少处于非工作状态时的扭矩信息对背辊运行状态的影响，通过提高运行数据的精确度，进而提高背辊运行状态的检测准确率。

更进一步，初始检测信息还包括运行速度；将涂布状态对应的多个扭矩信号分别对应的运行速度与预设速度进行比对；响应于运行速度超过预设速度，则将运行速度对应的扭矩信号剔除。

本申请实施例的技术方案中，通过基于运行速度对涂布状态对应的扭矩信号进行筛选，剔除异常速度对应的扭矩信号，进一步提高运行数据的精确度，进而提高背辊运行状态的检测准确率。

在一实施例中，对预设时长内保留的扭矩信号进行预处理。预处理包括异常值处理和平滑处理。异常值处理是将预设时长内的扭矩信号根据数值大小进行排序，剔除排序靠前的第一预设数量个扭矩信号和排序靠后的第二预设数量个扭矩信号，以提高扭矩信号的可靠性。第一预设数量可以与第二预设数量一致，例如可以为100。

在一些实施例中，步骤S2中对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值的具体实施方式如下所示。

通过对预设时长内保留的多个扭矩信号进行数据处理，得到多个特征类别对应的信号特征值。

通过对预设时长内保留的多个扭矩信号进行数据处理，得到预设类别的信号特征值。本实施例中，预设类别包括峰峰值、峭度、偏度。具体地，对预设时长内保留的多个扭矩信号进行数据处理，得到峰峰值、峭度、偏度分别对应的信号特征值。

在一些具体实施例中，步骤S3中采用逻辑回归网络基于信号特征值，确定背辊的运行健康值的具体实施方式如下所示。

具体地，将上述步骤中得到的峰峰值、峭度、偏度分别对应的信号特征值输入逻辑回归网络，得到预设时长内采集的扭矩信号对应的运行健康值。

在一些具体实施例中，步骤S4中确定背辊是否发生扭矩异常跳变的具体实施方式如下所示。

响应于背辊的运行健康值超过阈值，则确定背辊未发生扭矩异常跳变。响应于背辊的运行健康值未超过阈值，则确定背辊发生扭矩异常跳变。

本申请实施例的技术方案中，通过将背辊的运行健康值与阈值进行比较，如果运行健康值超过阈值，则确定背辊在预设时长内的运行处于正常状态；如果运行健康值未超过阈值，则确定背辊在预设时长内发生扭矩异常跳变，提高背辊运行状态的检测准确性。

请参阅图3和图4，图3是本申请提供的背辊在涂布状态下采集的扭矩信号；图4是图3中各预设时长内的扭矩信号对应的运行健康值。

在一实施例中，通过采集来自PLC检测得到的涂布状态时的扭矩数据，在2023-03-24至2023-05-29这一时段时背辊的扭矩数据波动较大，检测得到2023-03-24至2023-05-29这一时段时背辊的运行健康值明显处于较低水平。在更换背辊后，在2023-05-30至2023-08-01这一时段时背辊的扭矩数据波动明显减小，检测得到2023-05-30至2023-08-01这一时段时背辊的运行健康值明显处于较高水平。通过上述实施例可知，逻辑回归网络基于扭矩数据的特征信息可以输出的健康值，以便于敏锐的将背辊的正常状态和扭矩异常跳变状态区分，便于捕捉到背辊的异常状态。

请参阅图5，图5是本申请提供的异常检测装置一实施例的框架示意图。

本实施例提供一种异常检测装置60，异常检测装置60包括获取模块61、特征提取模块62、处理模块63和确定模块64。

获取模块61用于获取背辊在预设时长内的扭矩信号。

特征提取模块62用于对扭矩信号进行特征提取，得到扭矩信号对应的多个信号特征值。

处理模块63用于基于信号特征值，确定背辊的运行健康值。

确定模块64用于基于背辊的运行健康值，确定背辊是否发生扭矩异常跳变。

本实施例提供的异常检测装置，通过采集背辊在预设时长内的扭矩数据，不需要额外增添传感器设备，减少成本和复杂性；且扭矩信息精确度高，能准确反映背辊的状态，提高背辊状态检测的可靠性；通过对扭矩信号进行特征提取，得到采集的预设时长内背辊的运行特征；通过逻辑回归网络基于运行特征，确定背辊的运行健康值，进而实现实时监测背辊的运行情况；基于背辊的运行健康值判定背辊是否发生扭矩异常跳变，提高背辊监测的准确性，确保涂布工艺的稳定性和产品质量。

请参阅图6，图6是本申请提供的终端一实施例的框架示意图。

终端80包括相互耦接的存储器81和处理器82，处理器82用于执行存储器81中存储的程序指令，以实现上述任一异常检测方法实施例的步骤。在一个具体的实施场景中，终端80可以包括但不限于：微型计算机、服务器，此外，终端80还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。

具体而言，处理器82用于控制其自身以及存储器81以实现上述任一异常检测方法实施例的步骤。处理器82还可以称为CPU（Central Processing Unit，中央处理单元）。处理器82可能是一种集成电路芯片，具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器（Digital Signal Processor, DSP）、专用集成电路（Application SpecificIntegrated Circuit, ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器82可以由集成电路芯片共同实现。

请参阅图7，图7是本申请提供的计算机可读存储介质一实施例的框架示意图。

计算机可读存储介质90存储有能够被处理器运行的程序指令901，程序指令901用于实现上述任一异常检测方法实施例的步骤。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本发明的实施方式，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种异常检测方法，其特征在于，所述方法包括：

获取背辊在预设时长内的扭矩信号；

对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；

基于所述信号特征值，确定所述背辊的运行健康值；

基于所述背辊的运行健康值，确定所述背辊是否发生扭矩异常跳变。

2.根据权利要求1所述的异常检测方法，其特征在于，

所述获取背辊在预设时长内的扭矩信号，包括：

获取所述背辊在所述预设时长内的多个初始检测信息；所述初始检测信息包括所述扭矩信号、背辊运行状态以及采集时间；所述背辊运行状态包括停机状态、待料状态和涂布状态；

从所述初始检测信息中提取所述背辊运行状态为所述涂布状态的多个所述扭矩信号；

将所述涂布状态对应的多个所述扭矩信号根据所述采集时间依次进行拼接。

3.根据权利要求2所述的异常检测方法，其特征在于，所述初始检测信息还包括运行速度；

所述获取背辊在预设时长内的扭矩信号，还包括：

将拼接后的各所述扭矩信号分别对应的所述运行速度与预设速度进行比对；

响应于所述运行速度超过所述预设速度，则将所述运行速度对应的所述扭矩信号剔除。

4.根据权利要求1所述的异常检测方法，其特征在于，

所述获取背辊在预设时长内的扭矩信号的步骤之后，还包括：

对预设时长内的所述扭矩信号进行预处理；所述预处理包括异常值处理和/或平滑处理。

5.根据权利要求1所述的异常检测方法，其特征在于，各所述信号特征值具有对应的特征类别；所述特征类别包括均值、方差、峰值、峰峰值、峭度、偏度中的至少一种；

所述基于所述信号特征值，确定所述背辊的运行健康值，包括：

将与预设类别匹配的所述特征类别对应的所述信号特征值输入逻辑回归网络，得到所述背辊的运行健康值；

其中，所述逻辑回归网络的训练方法包括：

获取训练数据集，所述训练数据集包括涂布状态对应的多个扭矩数据，且所述训练数据集关联有标注健康值和多种类别对应的特征信息；背辊故障状态采集的所述扭矩数据对应的所述标注健康值小于背辊正常状态采集的所述扭矩数据对应的所述标注健康值；

将所述训练数据集对应的所述特征信息输入所述逻辑回归网络，得到所述训练数据集对应的预测健康值；

基于所述训练数据集对应的所述标注健康值和所述预测健康值之间的误差值对所述逻辑回归网络进行迭代训练。

6.根据权利要求5所述的异常检测方法，其特征在于，各所述特征信息关联有评价值；所述评价值表示所述类别对应的所述特征信息对所述预测健康值的影响度；

所述将所述训练数据集对应的所述特征信息输入所述逻辑回归网络，得到所述训练数据集对应的预测健康值，包括：

基于所述特征信息的评价值，对所述训练数据集关联的多个所述特征信息进行筛选得到至少一种类别的所述特征信息；筛选得到的所述特征信息的类别作为所述预设类别；

将所述训练数据集对应的所述至少一种类别的特征信息输入所述逻辑回归网络，得到所述训练数据集对应的所述预测健康值。

7.根据权利要求6所述的异常检测方法，其特征在于，

所述基于所述特征信息的评价值，对所述训练数据集关联的多个所述特征信息进行筛选得到至少一种类别的所述特征信息；筛选得到的所述特征信息的类别作为所述预设类别，包括：

基于所述评价值的大小，将所述评价值对应的所述特征信息依次进行排序；

响应于排序靠前的预设数量的所述特征信息对应的所述评价值的加和与所有所述特征信息对应的所述评价值的加和之间的比值符合预设要求，则提取排序靠前的所述预设数量的特征信息，并将排序靠前的所述预设数量的所述特征信息作为所述预设类别。

8.根据权利要求1~7任一项所述的异常检测方法，其特征在于，

所述基于所述背辊的运行健康值，确定所述背辊是否发生扭矩异常跳变，包括：

响应于所述背辊的运行健康值超过阈值，则确定所述背辊未发生扭矩异常跳变；

响应于所述背辊的运行健康值未超过所述阈值，则确定所述背辊发生扭矩异常跳变。

9.一种异常检测装置，其特征在于，所述异常检测装置包括：

获取模块，用于获取背辊在预设时长内的扭矩信号；

特征提取模块，用于对所述扭矩信号进行特征提取，得到所述扭矩信号对应的多个信号特征值；

处理模块，用于基于所述信号特征值，确定所述背辊的运行健康值；

确定模块，用于基于所述背辊的运行健康值，确定所述背辊是否发生扭矩异常跳变。

10.一种终端，其特征在于，所述终端包括存储器、处理器以及存储于所述存储器中并在所述处理器上运行的计算机程序，所述处理器用于执行程序数据以实现如权利要求1~8任一项所述的异常检测方法中的步骤。

11.一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1~8任一项所述的异常检测方法中的步骤。