CN117520947A - 异常监测与故障识别的方法及装置 - Google Patents
异常监测与故障识别的方法及装置 Download PDFInfo
- Publication number
- CN117520947A CN117520947A CN202311556334.2A CN202311556334A CN117520947A CN 117520947 A CN117520947 A CN 117520947A CN 202311556334 A CN202311556334 A CN 202311556334A CN 117520947 A CN117520947 A CN 117520947A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- target data
- monitoring
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005856 abnormality Effects 0.000 title abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011478 gradient descent method Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000002759 z-score normalization Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 5
- 230000010354 integration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种异常监测与故障识别的方法,涉及数字信号处理技术领域,可解决异常数据检测效率低,故障识别不精准的问题。该方法包括:获取实时数据,对实时数据进行预处理,得到实时目标数据;利用预设的监测数据知识库对实时目标数据进行状态评估,得到异常数据;将异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化;采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据所对应的故障类型。本发明有效提升异常检测的准确性,具有高效的低维特征提取能力与识别故障类型的能力,并结合实时数据的输入可不断更新,提升故障识别的精度。
Description
技术领域
本发明涉及数字信号处理技术领域,具体涉及一种异常监测与故障识别的方法及装置。
背景技术
随着现代工业化、信息化的快速发展,对于工程系统可靠性的要求也逐步提高;在诸多工业以及民用领域,如何根据系统输出对其进行异常检测以及如何对系统的故障类型及等级进行划分,已成为一项迫切的需求。同时,现有的故障检测与故障识别手段大多在算法和软件层面;而且,在实际的系统环境中,用于进行异常检测与故障识别的处理资源往往会受到空间、集成度、应用场景等诸多条件的限制。
发明内容
(一)要解决的技术问题
针对上述不足,本发明的主要目的在于提供一种异常监测与故障识别的方法及装置。
(二)技术方案
为了实现上述目的,本发明第一方面,提供了一种异常监测与故障识别的方法,该方法包括:获取实时数据,对实时数据进行预处理,得到实时目标数据;利用预设的监测数据知识库对实时目标数据进行状态评估,得到异常数据;将异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化;采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据对应的故障类型。
上述方案中,监测数据知识库通过以下方式来预设:获取原始数据,对原始数据进行预处理,得到目标数据;对目标数据进行基于密度聚类的学习,得到学习结果;基于学习结果,创建监测数据知识库。
上述方案中,实时数据包括连续型数据和离散型数据,对实时数据进行预处理,包括:对连续型数据利用Z-score规范化算法进行规范化预处理;使用最长共同子序列模型对离散数据连续化,然后利用Z-score规范化算法进行规范化预处理。
上述方案中,对目标数据进行基于密度聚类的学习,包括:计算目标数据i的局部密度和排斥距离δi,其中,目标数据i对应多个数据类簇;将目标数据i的局部密度/>与排斥距离δi相乘得到成簇矩,基于成簇矩构成目标数据的决策图。
上述方案中,该方法还包括:获取实时目标数据后,对实时目标数据与目标数据不断进行逐步迭代训练,监测数据知识库由训练得到的所有数据类簇组成,其中,监测数据知识库的更新是根据调整每一数据类簇的超参数完成,超参数包括截断距离与成簇聚阈值,截断距离用于调整每一数据类簇的尺寸范围,成簇矩阈值用于调节每一数据类簇的数量。
上述方案中,利用预设的监测数据知识库对实时目标数据进行状态评估,包括:在快速模式下,实时目标数据满足不可对应任一数据类簇的条件下,确定实时目标数据为异常数据;在距离模式下,计算实时目标数据的排斥距离,当排斥距离超过预设的阈值,确定实时目标数据为异常数据;在距离模式下,实时目标数据满足对应任一数据类簇的条件下,排斥距离非零,确定实时目标数据为异常数据。
上述方案中,将异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化,包括:对异常数据进行SincNet滤波处理,其中SincNet滤波处理的参数为增量学习训练精度达标的SincNet网络参数;对SincNet滤波处理的异常数据进行池化,对池化的异常数据进行卷积层标准化处理。
上述方案中,采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据所对应的故障类型,包括:对已标准化的异常数据进行带泄露的激活;对激活结果进行随机丢弃,将随机丢弃处理后的异常数据进行标准卷积神经网络推理,其中,所采用的标准卷积神经网络参数为增量学习训练精度达标的SincNet网络参数;将标准卷积神经网络推理后的异常数据通过归一化指数函数处理,得到Softmax结果,确定异常数据所对应的故障类型。
本发明第二方面,提供了一种异常监测与故障识别的集成芯片装置,包括:输入输出接口模块,系统总线模块,系统微控制器模块,存储控制模块,片上存储模块,视觉处理器模块;输入输出接口模块,用于获取实时数据和相关网络参数;系统总线模块,用于对输入输出接口模块,系统微控制器模块,存储控制模块,视觉处理器模块的时序逻辑进行分配与控制;系统微控制器模块,包括系统微控制器内存,RISC-V指令集处理器,用于充当控制核心并实现计算目标位置等复杂的不规则串行运算;存储控制模块,用于存储从集成芯片装置外部获取的数据;片上存储模块,包括并行布置的多个存储器,用于存储装置执行过程中的全部数据;视觉处理器模块,包括多个处理单元阵列,视觉处理器模块用于执行上述方案中的异常监测与故障识别方法。
上述方案中,每个处理单元阵列包括:局部寄存器;算术逻辑单元;处理单元,用于执行上述方案中的异常监测与故障识别方法。
(三)有益效果
本发明实施例的技术方案,至少具有以下有益效果:
(1)基于密度聚类学习的异常检测,在标注数据远少于无标注数据的应用场景中可有效提升异常检测的准确性;
(2)SincNet滤波器高效适用于处理系统健康管理监测信号这类按时序采集的一维信号,基于SincNet深度增量学习的故障识别模型,具有高效的低维特征提取能力,有效提升模型的识别故障类型的能力,并结合实时数据的输入,不断更新模型,提升故障识别的精度;
(3)异常检测与故障识别装置,可以高效实现异常检测与故障识别方法,能够有效提升处理系统集成度,使其具备更广泛、灵活的应用场景。
附图说明
图1示意性示出了本发明实施例的异常监测与故障识别方法的流程图;
图2示意性示出了本发明实施例的基于密度聚类学习的异常监测过程的流程图;
图3示意性示出了本发明实施例的基于SincNet深度增量学习的故障识别过程的流程图;
图4示意性示出了本发明实施例的异常监测与故障识别装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
图1示意性示出了本发明实施例的异常监测与故障识别方法的流程图。
请具体参阅图1,本发明实施例的异常监测与故障识别方法具体包括操作S110~操作S140。
在操作S110,获取实时数据,对实时数据进行预处理,得到实时目标数据。
在操作S120,利用预设的监测数据知识库对实时目标数据进行状态评估,得到异常数据。
在操作S130,将异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化。
在操作S140,采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据对应的故障类型。
通过本发明的实施例,有效提升异常检测的准确性,具有高效的低维特征提取能力与识别故障类型的能力,并结合实时数据的输入可不断更新,提升故障识别的精度。
下面根据图2和图3对本发明实施例的异常监测与故障识别方法进行进一步具体的说明。
图2示意性示出了本发明实施例的基于密度聚类学习的异常监测过程的流程图。
请具体参阅图2,本发明实施例的基于密度聚类学习的异常监测过程具体包括S210~ S250。
在操作S210,获取原始数据,对原始数据进行预处理,得到目标数据。
在操作S220,对目标数据进行基于密度聚类的学习,得到学习结果。
在操作S230,基于学习结果,创建监测数据知识库。
在操作S240,获取实时数据,对实时数据进行预处理,得到实时目标数据。
在操作S250,利用预设的监测数据知识库对实时目标数据进行状态评估,得到异常数据。
上述操作S210~S230为预设监测数据知识库的过程,接下来进一步具体的说明。
从待监测系统中获取原始数据,例如原始数据可包括待监测系统的寿命特征信息、状态特征信息以及故障特征信息等。结合实际工作中原始数据获取难度,可认为处于正常状态的数据量远远多于处于故障状态的数据量、无标注数据量远远多于有标注数据量。
接下来,获取原始数据,对原始数据进行预处理,得到目标数据。
在本发明的实施例中,对数据例如原始数据需进行规范化预处理,其中原始数据包括多个连续型数据和/或离散型数据。例如,采用Z-score规范化算法,对连续型数据利用Z-score规范化算法进行规范化预处理;使用最长共同子序列模型对离散数据连续化,然后利用Z-score规范化算法进行规范化预处理。其中,Z-score规范化算法包括计算多个数据的均值和标准差;针对每个数据的数值减去均值、并与标准差相除生成规范化数据。
在本发明的实施例中,对目标数据进行基于密度聚类的学习,包括:计算目标数据i的局部密度和排斥距离δi,其中,目标数据i对应多个数据类簇;将目标数据的局部密度/>与排斥距离δi相乘得到成簇矩,基于成簇矩构成目标数据的决策图。
具体而言,目标数据包括多个,基于密度的聚类学习,对于每一个目标数据i,计算局部密度和排斥距离δi。为确定类簇中心,计算成簇矩,即局部密度与排斥距离的乘积×δi。所有目标数据的成簇矩构成了目标数据i的决策图,成簇矩大于成簇矩阈值/>的数据点为类簇中心。
其中,目标数据的局部密度定义为与其距离小于dc的点的总数,即:
其中:χ是指示函数:当dij-dc<0时,指示函数取值为1,否则取值为0;dc是截断距离;dij是目标数据i和目标数据j之间的距离。
目标数据i的排斥距离δi定义为该样本点至更高密度点的最小距离,即:
表示另一目标数据j,对于此目标数据j满足其局部密度大于目标数据i的局部密度;
对于密度最大的目标数据i,其排斥距离可定义为:
在本发明的实施例中,基于密度聚类的学习结果,创建监测数据知识库。需要说明的是,监测数据知识库是由对实时目标数据与目标数据不断进行逐步迭代训练得到的所有数据类簇组成。
具体而言,获取规范化后的目标数据,通过基于密度的聚类学习生成相应的聚类模型,基于获取的实时目标数据与目标数据不断进行逐步迭代训练得到所有数据类簇,从而不断完善所生成的聚类模型,得到监测数据知识库。
其中,监测数据知识库由训练得到的所有类簇组成,其构成一般包括最大值、最小值、1%分位值、99%分位值、平均值、方差等刻画类簇数据分布特性的信息。
需要说明的是,基于密度的聚类模型具备自适应能力强、判别准确性高、能够清洗脏数据、筛选异常数据的优势。
在本发明的实施例中,监测数据知识库的更新是根据调整每一数据类簇的超参数完成,超参数包括截断距离与成簇聚阈值。其中,截断距离用于调整每一数据类簇的尺寸范围,成簇矩阈值用于调节每一数据类簇的数量。
需要说明的是,对于截断距离参数和成簇矩阈值参数的确定,针对监测内容的不同,截断距离参数的重要性指标和成簇矩阈值参数的重要性指标是不同的。例如,一般可以采用领域专家知识对截断距离参数和成簇矩阈值参数进行筛选,并根据参数的重要性指标给出量化度量。在没有领域专家参与的情形下,可以采用机器学习的方法,例如ROC曲线进行参数的确定。
上述操作S240~S250为获取异常数据的过程,接下来进一步具体的说明。
在本发明的实施例中,获取实时数据,对实时数据进行预处理,得到实时目标数据。
需要说明的是,在本发明的实施例中,对数据例如实时数据进行规范化预处理,其中实时数据包括连续型数据和离散型数据。例如,采用Z-score规范化算法,对连续型数据利用Z-score规范化算法进行规范化预处理;使用最长共同子序列模型对离散数据连续化,然后利用Z-score规范化算法进行规范化预处理。
在本发明的实施例中,利用预设的监测数据知识库对实时目标数据进行状态评估,得到异常数据。
具体而言,利用预设的监测数据知识库对实时目标数据进行状态评估,包括:在快速模式下,实时目标数据满足不可对应任一数据类簇的条件下,确定实时目标数据为异常数据;在距离模式下,计算实时目标数据的排斥距离,当排斥距离超过预设的阈值,确定实时目标数据为异常数据;在距离模式下,实时目标数据满足对应任一数据类簇的条件下,排斥距离非零,确定实时目标数据为异常数据。
例如,在快速模式下,监测输入的实施目标数据是否属于某一个类簇,只要评估属于任一个类簇,均认为是正常状态,否则为异常状态。在距离模式下,计算输入的实施目标数据与最近类簇之间的距离,并根据距离来进一步判断系统状态,例如当排斥距离超过指定阈值时则认为是实时目标数据是异常状态。在距离模式下,如果监测输入的实时目标数据属于某个类簇,则参数向量与最近簇之间的距离为零;否则非零,且偏离正常状态越远,距离值越大,则确定实时目标数据为异常数据。因此可基于相应的评估结果,判别输入的实施目标数据是否为异常数据。
图3示意性示出了本发明实施例的基于SincNet深度增量学习的故障识别过程的流程图;
请具体参阅图3,本发明实施例的基于SincNet深度增量学习的故障识别过程具体包括S310~ S330。
在操作S310,对异常数据进行SincNet滤波处理。
在操作S320,对SincNet滤波处理的异常数据进行池化,对池化的异常数据进行卷积层标准化处理。
在操作S330,采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据所对应的故障类型。
需要说明的是,其中SincNet滤波处理的参数为增量学习训练精度达标的SincNet网络参数。
在本发明的实施例中,采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习,确定异常数据所对应的故障类型。
具体而言,对已标准化的异常数据进行带泄露的激活,对激活结果进行随机丢弃,将随机丢弃处理后的异常数据进行标准卷积神经网络推理,其中,所采用的标准卷积神经网络参数为增量学习训练精度达标的SincNet网络参数;将标准卷积神经网络推理后的异常数据通过归一化指数函数处理,得到Softmax结果,确定异常数据所对应的故障类型。
例如,基于SincNet深度增量学习的故障识别模型流程为:异常数据经过SincNet滤波器进行池化操作,在卷积层标准化后进行带泄露激活函数(Leaky ReLU)激活,进行随机丢弃(Dropout),送入标准卷积神经网络处理,通过归一化指数函数(Softmax)进行故障类型识别及分级。
其中,基于SincNet深度增量学习的故障识别模型接收时序采集的一维信号x[n],x[n]表示时序信号序列x由n个信号组成,n为正整数。
在SincNet结构中,卷积操作使用一个预定义的函数g,其中g只包含很少的可学习变量q,具体定义如下:
其中:y[n]是卷积输出;g[n,q]表示这是作用于x[n]的函数g,n为正整数,可以通过可学习变量q更新神经网络。
函数g是矩形带通滤波器,其频域特性如下:
其中rect函数为辛格函数sinc的频域变换形式,表达式如下:
其中F表示傅里叶变换。
其中,f1和f2分别为低截止频率和高截止频率,两者都是可学习的。为了平滑函数g的截断特性,需在函数g基础上乘上一个窗函数w,准确说对于g函数类乘w函数类,其中g函数类由n个g函数组成,记为g[n],w函数类由n个w函数组成记为w[n]。则对于g和w中的每个函数,可以记为g[n] ×w[n]或者gw[n],n为正整数,
得到
其中,窗函数可以采用Hamming窗,也可以采用其他窗函数。
对于新增异常数据的样本采用了带动量的梯度下降法进行增量学习,通过设定学习率𝜂和动量参数𝛼,结合网络初始参数𝜃和初始速度𝜈,对网络参数进行更新,更新公式如下:
其中:L表示损失函数,m表示新增异常数据;
gnew表示由原始g函数(即gold)按公式(即进行梯度下降)更新后获得的新的g函数;
vnew表示由原始v函数(即vold)按公式(即进行梯度下降)更新后获得的新的v函数,v函数即是初始速度函数
θnew表示由原始θ函数(即θold)按公式(即进行梯度下降)更新后获得的新的θ函数,θ函数是网络初始参数函数
表示对θ求导,是一种数学公式中的通用表达形式。
通过本发明的实施例,SincNet滤波器高效适用于处理系统健康管理监测信号这类按时序采集的一维信号,基于SincNet深度增量学习的故障识别模型,具有高效的低维特征提取能力,有效提升模型的识别故障类型的能力,并结合实时数据的输入,不断更新模型,提升故障识别的精度。
基于上述异常监测与故障识别的方法,本发明还提供了一种异常监测与故障识别的装置。
图4示出了本发明实施例的异常监测与故障识别装置的结构示意图。
请具体参阅图4,异常监测与故障识别装置包括输入输出接口模块,系统总线模块,系统微控制器模块,存储控制模块,片上存储模块,视觉处理器模块。
其中,输入输出接口模块,用于获取实时数据和相关网络参数;系统总线模块,用于对输入输出接口模块,系统微控制器模块,存储控制模块,视觉处理器模块的时序逻辑进行分配与控制;系统微控制器模块,包括系统微控制器内存,RISC-V指令集处理器,用于充当控制核心并实现计算目标位置等复杂的不规则串行运算;存储控制模块,用于存储从集成芯片装置外部获取的数据;片上存储模块,包括并行布置的多个存储器,用于存储装置执行过程中的全部数据;视觉处理器模块,包括多个处理单元阵列,视觉处理器模块用于执行上述的异常监测与故障识别方法。
具体来说,在本发明的实施例中,系统微控制器模块,包括系统微控制器内存,RISC-V指令集处理器,用于充当控制核心并实现计算目标位置等复杂的不规则串行运算。其中,处理器由一个32位的ALU、桶型移位寄存器、32×8的乘法器、寄存器堆等组成。32位的ALU能够完成加法、与或非等操作;乘法器可以完成乘法操作。
在本发明的实施例中,每个处理单元阵列包括:局部寄存器;算术逻辑单元;处理单元(PE,Processing Element),用于执行上述的异常监测与故障识别方法。
具体来说,在本发明的实施例中,视觉处理器模块可包括M×M个RISC-V工作模式的处理单元阵列,每个处理单元阵列包括一个或者多个以下寄存器,例如scalar寄存器、globel寄存器、local和ai寄存器。其中,scalar寄存器可以被全部PE访问;globel寄存器可以被8个PE访问;local和ai寄存器可以被自身和相邻PE访问。不同层级的寄存器资源使得每个PE能够缓存图像数据或是算法参数,并且能够在PE之间实现参数复用,降低存储消耗。
PE阵列可重构为不同长度的PE链,每个链内的PE访问其左右相邻的多个PE中的寄存器,从而实现基于SincNet深度增量学习的故障识别过程的一维SincNet滤波器的时移。
在本发明的实施例中,PE阵列中,根据密度聚类算法计算所有目标数据互相的距离以计算局部密度,目标数据x(i)与目标本数据x(j)间的距离用dij表示,且dii=0。dij可由l并行度的PE单元做l次循环计算得出;/>可由l并行度的PE单元做l次指示函数循环计算得出,l为目标数据数目。
其中,计算排斥距离δi的方式如下:
设定初始排斥距离di=max{d0i,d1i,d2i…d(l-1)i};
加载目标数据x(i)的局部密度;
对于所有目标数据x(j),0≤j≤l,当满足条件:且di>dji时,令di=dji。
以上所有操作可由PE阵列并行完成,数据均加载在PE的寄存器中,对于尺寸为M×M的PE阵列,并行度最高可以达到O(M×M)。
在本发明的实施例中,在进行系统状态评估时,需要计算实时数据和已存储数据中心之间的距离,在对新输入的实时数据进行预处理后得到实时目标数据,可以利用多个PE同时计算实时目标数据与多个数据中心的距离,然后进行阈值判断,完成系统状态评估。
在本发明的实施例中,SincNet网络在推理时需要执行一维滤波器卷积运算,长度为L的一维滤波器的卷积公式如下所示:
其中,和n表示对应函数序列中的第/>个和第n个;L表示一维滤波器w函数类的总个数,L-1表示从0开始算起,总个数为L的滤波器中最后一个的序号是L-1;
x(n)表示输入异常信号序列,该序列包含n个输入异常信号;
w(-n)表示一维滤波器w函数类中的第/>-n个w函数。
其中x(n)为输入异常数据信号序列,w(n)为SincNet的滤波器系数;其向量表示如下:
其中w[k]表示w函数类中的第k个函数,w[n]表示w函数类一共由n个w函数组成,信号序列的时移为:
在PE阵列进行处理时,每个PE加载全部滤波器系数和对应时间点的异常数据信号后做乘累加运算。由于PE可获取相邻单元的数据,从而可实现所输入的异常数据信号序列的时移。对(M×M)长度的异常数据信号序列和长度的滤波器,M×M尺寸的PE阵列只需要执行次乘累加循环即可完成一维滤波器卷积运算。
在本发明的实施例中,SincNet网络包含传统的二维卷积运算,其实质就是利用I个输入通道的输入特征图与K个二维滤波器进行卷积计算得到K个输出通道的输出特征图,其中I和K均为正整数。
其中,将I个输入通道的输入特征图加载在globel寄存器中;将K个二维滤波器的滤波器参数加载在local寄存器中;相邻PE之间读取参数形成滤波窗口;PE内进行乘累加运算完成卷积;卷积结果存入ai寄存器。
通过本发明的实施例,本发明提供的一种异常检测与故障识别装置,其可以高效实现异常检测与故障识别方法,能够有效提升处理系统集成度,使其具备更广泛、灵活的应用场景。
以上的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常监测与故障识别的方法,其特征在于,所述方法包括:
获取实时数据,对所述实时数据进行预处理,得到实时目标数据;
利用预设的监测数据知识库对所述实时目标数据进行状态评估,得到异常数据;
将所述异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化;
采用带动量的梯度下降法对所述卷积层标准化后的异常数据进行增量学习,确定所述异常数据对应的故障类型。
2.根据权利要求1所述的异常监测与故障识别的方法,其特征在于,所述监测数据知识库通过以下方式来预设:
获取原始数据,对所述原始数据进行预处理,得到目标数据;
对所述目标数据进行基于密度聚类的学习,得到学习结果;
基于所述学习结果,创建所述监测数据知识库。
3.根据权利要求1所述的异常监测与故障识别的方法,其特征在于,所述实时数据包括连续型数据和离散型数据,所述对所述实时数据进行预处理,包括:
对所述连续型数据利用Z-score规范化算法进行规范化预处理;
使用最长共同子序列模型对所述离散数据连续化,然后利用Z-score规范化算法进行规范化预处理。
4.根据权利要求2所述的异常监测与故障识别的方法,其特征在于,所述对所述目标数据进行基于密度聚类的学习,包括:
计算所述目标数据i的局部密度和排斥距离δi,其中,所述目标数据i对应多个数据类簇;
将所述目标数据i的所述局部密度与所述排斥距离δi相乘得到成簇矩,基于所述成簇矩构成所述目标数据的决策图。
5.根据权利要求4所述的异常监测与故障识别的方法,其特征在于,所述方法还包括:
获取所述实时目标数据后,对所述实时目标数据与所述目标数据不断进行逐步迭代训练,所述监测数据知识库由所述训练得到的所有数据类簇组成,
其中,所述监测数据知识库的更新是根据调整每一所述数据类簇的超参数完成,所述超参数包括截断距离与成簇聚阈值,
所述截断距离用于调整每一所述数据类簇的尺寸范围,所述成簇矩阈值用于调节每一所述数据类簇的数量。
6.根据权利要求1所述的异常监测与故障识别的方法,其特征在于,所述利用预设的监测数据知识库对所述实时目标数据进行状态评估,包括:
在快速模式下,所述实时目标数据满足不可对应任一数据类簇的条件下,确定所述实时目标数据为异常数据;
在距离模式下,计算所述实时目标数据的排斥距离,当所述排斥距离超过预设的阈值,确定所述实时目标数据为异常数据;
在距离模式下,所述实时目标数据满足对应任一数据类簇的条件下,所述排斥距离非零,确定所述实时目标数据为异常数据。
7.根据权利要求1所述的异常监测与故障识别的方法,其特征在于,所述将所述异常数据输入SincNet滤波器进行池化操作,并进行卷积层标准化,包括:
对所述异常数据进行SincNet滤波处理,其中所述SincNet滤波处理的参数为增量学习训练精度达标的SincNet网络参数;
对所述SincNet滤波处理的异常数据进行池化,对所述池化的异常数据进行卷积层标准化处理。
8.根据权利要求1所述的异常监测与故障识别的方法,其特征在于,所述采用带动量的梯度下降法对所述卷积层标准化后的异常数据进行增量学习,确定所述异常数据所对应的故障类型,包括:
对已标准化的异常数据进行带泄露的激活;
对激活结果进行随机丢弃,将随机丢弃处理后的异常数据进行标准卷积神经网络推理,其中,所采用的标准卷积神经网络参数为增量学习训练精度达标的SincNet网络参数;
将所述标准卷积神经网络推理后的异常数据通过归一化指数函数处理,得到Softmax结果,确定所述异常数据所对应的故障类型。
9.一种异常监测与故障识别的集成芯片装置,其特征在于,包括:
输入输出接口模块,系统总线模块,系统微控制器模块,存储控制模块,片上存储模块,视觉处理器模块;
输入输出接口模块,用于获取实时数据和相关网络参数;
系统总线模块,用于对输入输出接口模块,系统微控制器模块,存储控制模块,视觉处理器模块的时序逻辑进行分配与控制;
系统微控制器模块,包括系统微控制器内存,RISC-V指令集处理器,用于充当控制核心并实现计算目标位置等复杂的不规则串行运算;
存储控制模块,用于存储从所述集成芯片装置外部获取的数据;
片上存储模块,包括并行布置的多个存储器,用于存储所述装置执行过程中的全部数据;
视觉处理器模块,包括多个处理单元阵列,所述视觉处理器模块用于执行如权利要求1~8中任一项所述的异常监测与故障识别方法。
10.根据权利要求9所述的集成芯片装置,其特征在于,每个所述处理单元阵列包括:
局部寄存器;
算术逻辑单元;
处理单元,用于执行如权利要求1~8中任一项所述的异常监测与故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556334.2A CN117520947A (zh) | 2023-11-21 | 2023-11-21 | 异常监测与故障识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556334.2A CN117520947A (zh) | 2023-11-21 | 2023-11-21 | 异常监测与故障识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117520947A true CN117520947A (zh) | 2024-02-06 |
Family
ID=89762235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311556334.2A Pending CN117520947A (zh) | 2023-11-21 | 2023-11-21 | 异常监测与故障识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520947A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040205681A1 (en) * | 2003-01-16 | 2004-10-14 | Yasuyuki Nozuyama | Calculation system of fault coverage and calculation method of the same |
CN112070109A (zh) * | 2020-07-21 | 2020-12-11 | 广东工业大学 | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 |
US20210357282A1 (en) * | 2020-05-13 | 2021-11-18 | Mastercard International Incorporated | Methods and systems for server failure prediction using server logs |
CN115824261A (zh) * | 2023-01-15 | 2023-03-21 | 北京理工大学 | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 |
CN116680643A (zh) * | 2023-06-08 | 2023-09-01 | 重庆邮电大学 | 一种深度对比学习与密度聚类结合的异常检测方法 |
CN116973102A (zh) * | 2023-07-27 | 2023-10-31 | 西安交通大学 | 齿轮箱噪声故障诊断方法 |
CN117076955A (zh) * | 2023-10-13 | 2023-11-17 | 江苏力普电子科技有限公司 | 一种高压变频器的故障检测方法及系统 |
-
2023
- 2023-11-21 CN CN202311556334.2A patent/CN117520947A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040205681A1 (en) * | 2003-01-16 | 2004-10-14 | Yasuyuki Nozuyama | Calculation system of fault coverage and calculation method of the same |
US20210357282A1 (en) * | 2020-05-13 | 2021-11-18 | Mastercard International Incorporated | Methods and systems for server failure prediction using server logs |
CN112070109A (zh) * | 2020-07-21 | 2020-12-11 | 广东工业大学 | 一种基于改进密度峰值聚类的马蹄窑能耗异常检测方法 |
CN115824261A (zh) * | 2023-01-15 | 2023-03-21 | 北京理工大学 | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 |
CN116680643A (zh) * | 2023-06-08 | 2023-09-01 | 重庆邮电大学 | 一种深度对比学习与密度聚类结合的异常检测方法 |
CN116973102A (zh) * | 2023-07-27 | 2023-10-31 | 西安交通大学 | 齿轮箱噪声故障诊断方法 |
CN117076955A (zh) * | 2023-10-13 | 2023-11-17 | 江苏力普电子科技有限公司 | 一种高压变频器的故障检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
FIRAS BEN ABID等: "An End- To-End Bearing Fault Diagnosis and Severity Assessment with Interpretable Deep Learning", 《JOURNAL OF ELECTRICAL SYSTEMS》, 31 December 2022 (2022-12-31), pages 446 - 460 * |
宋向金等: "交流电机信号特征分析的 滚动轴承故障诊断方法综述", 《中国电机工程学报》, vol. 42, no. 4, 20 February 2022 (2022-02-20), pages 1582 - 1595 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
JP6707716B2 (ja) | 異常情報推定装置、異常情報推定方法及びプログラム | |
CN115270956A (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN111192678B (zh) | 病理显微图像诊断、模型训练方法、装置、设备及介质 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN111369526A (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN112465001A (zh) | 一种基于逻辑回归的分类方法及装置 | |
CN115485740A (zh) | 异常晶片图像分类 | |
CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
CN115984671B (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN117520947A (zh) | 异常监测与故障识别的方法及装置 | |
CN113971426A (zh) | 一种信息获取方法、装置、设备及存储介质 | |
CN117113247A (zh) | 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN113449626B (zh) | 隐马尔科夫模型振动信号分析方法装置、存储介质和终端 | |
CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 | |
CN115861305A (zh) | 柔性电路板检测方法、装置、计算机设备及存储介质 | |
CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
CN114881162A (zh) | 计量自动化主站的故障预测方法、装置、设备及介质 | |
Abeysinghe et al. | Clustering algorithms on imbalanced data using the SMOTE technique for image segmentation | |
CN112200219B (zh) | 一种超大规模晶圆缺陷数据的特征提取方法 | |
CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 | |
CN117036916B (zh) | 基于轻量级卷积神经网络模型的磨粒类型识别方法及装置 | |
CN115861275B (zh) | 细胞计数方法、装置、终端设备及介质 | |
CN117541832A (zh) | 异常检测方法、系统、电子设备及存储介质 |
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 |