CN117556326A - 基于自编码器集成的机械装置异常检测方法及检测系统 - Google Patents

基于自编码器集成的机械装置异常检测方法及检测系统 Download PDF

Info

Publication number
CN117556326A
CN117556326A CN202311546813.6A CN202311546813A CN117556326A CN 117556326 A CN117556326 A CN 117556326A CN 202311546813 A CN202311546813 A CN 202311546813A CN 117556326 A CN117556326 A CN 117556326A
Authority
CN
China
Prior art keywords
self
encoder
mechanical device
anomaly
mean square
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
Application number
CN202311546813.6A
Other languages
English (en)
Inventor
郑玮
艾鑫坤
谢筱涵
张沛龙
王俪晔
朱剑锋
张明
潘垣
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202311546813.6A priority Critical patent/CN117556326A/zh
Publication of CN117556326A publication Critical patent/CN117556326A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于自编码器集成的机械装置异常检测方法及检测系统，属于机械故障检测技术领域，检测方法包括：将当前时刻所采集的机械装置N个不同位置处的振动信号的特征分别输入N个自编码器进行实时分析，计算每个自编码器输入与输出的均方误差；分别对每个均方误差进行归一化，得到每个位置的异常分。本发明采用多个自编码器进行集成，每个自编码器可独立分析一处位置的故障风险，且基于每个自编码器返回的均方误差计算异常分数，基于异常分数便能了解各位位置的异常情况，一方面降低了对训练样本的要求，另一方面可以快速定位故障前兆并了解各节点的异常程度。

Description

基于自编码器集成的机械装置异常检测方法及检测系统
技术领域
本发明属于机械故障检测技术领域，更具体地，涉及一种基于自编码器集成的机械装置异常检测方法及检测系统。
背景技术
随着我国工业化程度不断提高，工业机械大量普及。工业机械出现故障，轻则降低工业生产效率，重则停工停产。因此其故障检测和预警一直是关注的焦点。随着自动化和人工智能化技术的发展，基于机器学习的故障预警系统逐渐得到了广泛应用。
基于机器学习的转动机械故障预测方法主要采用监督学习模型。这些模型需要使用经过标记的正常数据和异常数据进行训练，并且要求两类数据数量均衡。然而，在实际工程运行中，机械装置出现损坏的情况非常少，即故障样本较少。这导致监督学习训练时正负样本极度不均衡，影响模型的预测精度。而且，由于故障原因多种多样，很难构建固定的规则算法对大量故障前兆样本进行标记，目前只能依赖专业人员进行人工标记，增加了人力成本。而且，若只用一个模型对机械装置整体进行单一异常时，只能提供整体是否异常，无法定位和详细分析异常。
因此，基于单一监督学习预测器的故障预警方法一方面有故障样本标记困难和正负样本失衡的缺陷，另一方面无法定位和详细分析异常。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于自编码器集成的机械装置异常检测方法及检测系统，其目的在于解决当训练样本不平衡时仍能保证预测精度且通过较为简单的方式实现多处不同位置的故障识别。
为实现上述目的，按照本发明的一个方面，提供了一种基于自编码器集成的机械装置异常检测方法，包括：
将当前时刻所采集的机械装置N个不同位置处的振动信号的特征分别输入N个自编码器进行实时分析，每个位置Pi对应一个自编码器AEi，计算每个自编码器AEi输入与输出的均方误差MSEi，i为位置索引，i＝1,2,……,N；
分别对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均值，δtest,i为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均方差；
其中，所得异常分数用于反应当前时刻对应位置的异常风险，异常分数越大，异常风险越高。
在其中一个实施例中，所述方法还包括：
当出现任意异常分数大于设定阈值时，触发滞环判定，所述滞环判定包括：
若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警；
若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1；
其中，异常样本为大于设定阈值的异常分数。
在其中一个实施例中，所述方法还包括获取机械装置N个不同位置处的振动信号，具体包括：
同步控制N个不同位置处的传感器进行采样，当传感器从采集态跳转至空闲态时，获取各传感器所采集到的振动信号并分别输入对应的N个自编码器以基于N个自编码器的输入和输出计算均方误差；
其中，当传感器处于数据采集和数据存储的状态时为采集态，否则为空闲态。
在其中一个实施例中，在利用自编码器进行实时分析之前，所述方法还包括利用对应位置处的历史振动信号作为训练样本训练对应的自编码器，训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
在其中一个实施例中，所述机械装置为球磨机。
按照本发明的另一方面，提供了一种基于自编码器集成的机械装置异常检测系统，包括：
N个自编码器，每个自编码器AEi用于获取机械装置一个不同位置Pi处的振动信号的特征并对振动信号进行重构；i为位置索引，i＝1,2,……,N；
均方误差计算模块，用于计算每个自编码器AEi输入与输出的均方误差MSEi；
异常分数计算模块，用于对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为将位置Pi处的振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均值，δtest,i为将位置Pi处的振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均方差；其中，所得异常分数用于反应当前时刻对应位置的异常风险，异常分数越大，异常风险越高。
在其中一个实施例中，还包括：
警报触发模块，用于当出现任意异常分数大于设定阈值时，触发以下滞环判定：
若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警；
若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1；
其中，异常样本为大于设定阈值的异常分数。
在其中一个实施例中，所述系统还包括：
N个设置传感器，分别设置于机械装置N个不同的位置，用于采集机械装置N个不同位置处的振动信号以分别输入对应的N个自编码器。
在其中一个实施例中，所述机械装置为球磨机。
在其中一个实施例中，所述自编码器为利用对应位置处的振动信号作为训练样本进行训练后的自编码器，训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
首先，本发明采用自编码器进行故障检测。基于自编码器的异常检测器不要求正负样本均衡，只要有足够的正常样本就能进行训练。在实时预测故障时，输入正常样本，自编码器对其具有良好的重构性能，输入和重构的样本的均方误差(MSE)较小；而当输入异常样本时，其重构性能较差，返回较大的MSE值。根据返回的均方误差可以判断出样本是否为异常样本。因此，采用自编码器进行异常检测，克服了监督学习中的对故障样本打标签困难和正负样本不均衡的缺陷。
其次，本发明采用多个独立的自编码器进行集成，每个自编码器可独立分析一处位置的故障风险。因此，可以采集机械装置对多个关键位置的振动信号并单独进行评估。相比于用一个模型对机械装置进行单一异常判断，本发明可以定位故障前兆并了解各节点的异常程度。
再者，本发明考虑到机械装置在不同位置处振动信号的幅值和背景噪音略有所差异，不同位置处正常样本返回的MSE范围不一定相似，对于相同故障，不同位置的异常检测器上正常样本和故障样本的MSE差距也不一定相同。为应对这一问题，本发明对样本返回的MSE进行特定的归一化，使用这个归一化值作为异常分数(Anomaly Score,AS)，后续再通过异常分数的大小判断是否出现故障。
进一步地，在预警时引入滞环判定，可以降低在实际部署中检测器受到干扰导致误报警的频次。
进一步地，通过改进自编码器模型的损失函数，使得该异常检测器即能仅用正常样本训练，也能在故障出现时使用故障样本训练，相较常规下只能用正常样本进行训练的模型，改进后的模型对数据的利用率更高，对故障样本的识别能力更强。
附图说明
图1是一实施例中的基于自编码器集成的机械装置异常检测方法的步骤流程图；
图2是一实施例中的每个位置异常检测的处理过程图；
图3是一实施例中的基于自编码器集成的机械装置异常检测系统的运行过程图；
图4是一实施例中的球磨机中传感器设置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示为一实施例中的基于自编码器集成的机械装置异常检测方法的步骤流程图，其主要包括以下步骤：
步骤S1：将当前时刻所采集的机械装置N个不同位置处的振动信号的特征分别输入N个自编码器进行实时分析，每个位置Pi对应一个自编码器AEi，计算每个自编码器AEi输入与输出的均方误差MSEi。
在本发明中，确定好机械装置中需要进行异常检测的关键位置，分别采集每个关键位置处的振动信号，每个关键位置对应一个自编码器，基于各自的自编码器可以分别确定各关键位置的异常情况，从而快速对异常进行定位。
其中，自编码器是一种神经网络模型，通过对输入样本进行压缩和重构来衡量输入样本与重构样本之间的相似程度，使用均方误差(MSE)作为衡量标准。可以理解的，本发明进行实时预测所用的自编码器为已经训练好的模型，训练好的自编码器对于正常样本具有良好的重构性能，因此其输入和输出的MSE值较小；而对于异常样本，其重构性能较差，导致较大的MSE值。本发明通过将振动信号输入自编码器进行重构并获取对应的MSE值，可以实现各个关键位置的异常检测。一方面，本发明采用自编码器，自编码器的训不要求正负样本均衡，只要有足够的正常样本就能进行训练，大大降低了样本的要求，克服了主流监督学习方法中的对故障样本打标签困难和正负样本不均衡的缺陷。另一方面，采用多个独立的自编码器进行集成，每个自编码器可独立分析一处位置的故障风险，可以采集机械装置对多个关键位置的振动信号并单独进行评估，快速定位异常位置。
具体的，自编码器的训练方法可以采用常规的训练方法，即全部采用正常样本进行训练，以使其对正常样本具有良好的重构性能而对异常样本重构性能较差。但是，在实际情况下，也会存在异常样本，若仅使用正常样本进行训练而舍弃异常样本，会导致数据的利用率不高。尤其是机械装置运行早期，正常样本和故障样本均匮乏，异常检测器不能使用故障样本训练的缺点尤为突出，数据利用效率低。
为解决上述问题，在一实施例中，在利用自编码器进行实时分析之前，先利用对应位置处的历史振动信号作为训练样本训练对应的自编码器，在进行训练时，通过改进自编码器模型的损失函数，使得该异常检测器即能仅用正常样本训练，也能在故障出现时使用故障样本训练。训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
再次需要强调的是，因为改进了损失函数，才使其有使用异常样本的能力，传统训练自编码器是没有利用异常样本训练的能力，使用改进的损失函数，是本实施例中的一个重要改进手段。
在转动机械故障监测领域，经过数据积累后，数据集正常样本较故障样本多。监督学习模型训练必须要大量的故障样本，对大量故障样本进行标记又是个人工成本非常高的麻烦事，因此监督学习有缺陷。而本发明使用自编码器，其应用大量的正常样本进行训练，因此，可以克服对大量故障样本进行标记的问题。但在实际工程部署中，系统部署到装置上采集到大量数据需要积累一段时间的，不可能一部署就有大量数据。在这个积累过程也希望对装置提供保护。若自编码器在这个数据匮乏的时期只能用正常样本训练，数据利用率不高；而利用改进后的损失函数，能在故障出现时用故障样本训练，提高了数据利用率，并且实验证实了该模型因为多用了这一点故障样本，其故障识别能力更好，即能更快部署。因此在数据匮乏的早期部署阶段，改进的模型更有优势，并且在数据匮乏时期正常样本和故障样本都少，对少量的故障样本标记的成本不高。在过了这个数据匮乏的时期后，有充足的正常数据后，改进的模型就对故障样本的要求就不高了，可以仅用正常训练(当然前期已经标记的故障样本也可以带着训练)。
本实施例改进了自编码器模型的损失函数，使得该异常检测器既能仅用正常样本训练，也能在故障出现时使用故障样本训练。通过上述损失函数，在故障检测器训练期间，模型最小化正常样本的MSE和故障样本的MSE-1，最小化故障样本的MSE-1实质上就是最大化故障样本的MSE。在实时故障检测过程中，相较常规下只能用正常样本进行训练的模型，改进后的模型对数据的利用率更高，对故障样本的识别能力更强，返回的MSE更大。
步骤S2：分别对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均值，δtest,i为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均方差。
本发明考虑到机械装置不同位置处振动信号的幅值和背景噪音有所差异，导致各监测部位对正常样本返回的MSE范围不一定相似。对于相同故障，不同位置处上正常样本和故障样本的MSE差距也不一定相同。为应对这一问题，本发明对样本返回的MSE进行了归一化，并使用这个归一化值作为异常分数(Anomaly Score,AS)，后续再通过异常分数的大小判断是否出现故障。具体而言，可以设定异常阈值，当异常分数大于异常阈值时，则判定为出现异常风险，当异常分数小于或等于异常阈值时，则判定未出现异常风险。
在一实施例中，还设置有触发警报机制，具体而言，对于每个故障检测器，当前采样点的异常分数大于设定阈值时，则触发滞环判定，滞环判定的规则为设定两个触发警报的机制，符合任一个均会触发报警：
第一个机制：若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警。
第二个机制：若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1。
第一个机制中，当前时刻之前触发过故障警报，说明机械装置当前异常风险指数较高，此时，应该提高异常检测的敏感度，在出现较少的异常样本则又会重新触发报警。第二个机制中，当前时刻之前触发过故障警报，说明机械装置当前异常风险指数相对较低，异常检测可以不用太过于敏感，因此，只有在出现较多的异常样本时才会触发报警。通过上述滞环判定，降低在实际部署中检测器受到干扰导致误报警的频次。
举例说明：假设时间窗的长度包含50个采样时刻，按一个采样时刻为移动步长移动时间窗，若当前时刻之前触发过故障警报，且在截止至当前时刻的时间窗内的异常样本的总数超过30时，触发故障报警；若当前时刻之前没有触发过故障报警，且在截止至当前时刻的时间窗内的异常样本的总数超过40时，触发故障报警，否则不触发报警。
在一实施例中，可以同步控制N个不同位置处的传感器进行采样，当传感器从采集态跳转至空闲态时，获取各传感器所采集到的振动信号并分别输入对应的N个自编码器以基于N个自编码器的输入和输出计算均方误差；其中，当传感器处于数据采集和数据存储的状态时为采集态，否则为空闲态。同步控制可以提高整体处理速度，快速输出当前时刻的整体评估结果。
如图2所示为一实施例中的每个位置异常检测的处理过程图。首先，采样历史数据对自编码器进行训练，同时可以从历史数据中划分出正常样本的测试集来计算后续实时故障分析环节中归一化所用的均值与均方差δtest，训练好模型后再对该位置进行实时异常检测，将实时采样到的振动信号输入自编码器，计算输入与输出的均方误差MSE，再对均方误差MSE进行归一化处理，得到对应的异常分数，再基于异常分数可以评估出该位置的异常风险。
实施例2
本实施例公开了基于自编码器集成的机械装置异常检测系统，包括
N个自编码器，每个自编码器AEi用于获取机械装置一个不同位置Pi处的振动信号的特征并对振动信号进行重构；i为位置索引，i＝1,2,……,N；
均方误差计算模块，用于计算每个自编码器AEi输入与输出的均方误差MSEi；
异常分数计算模块，用于对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为位置Pi处的历史振动信号划分出的正常样本测试集输入自编码器AEi所得的多个均方误差的均值，δtest,i为位置Pi处的历史振动信号划分出的正常样本输入自编码器AEi所得的多个均方误差的均方差。
其中，所得异常分数用于反应当前时刻对应位置的异常风险，异常分数越大，异常风险越高
在一实施例中，该系统还包含警报触发模块，用于当出现任意异常分数大于设定阈值时，触发以下滞环判定：
若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警；
若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1；
其中，异常样本为大于设定阈值的异常分数。
在一实施例中，该系统还包括N个设置传感器，分别设置于机械装置N个不同的位置，用于采集机械装置N个不同位置处的振动信号以分别输入对应的N个自编码器。
在一实施例中，自编码器为利用对应位置处的历史振动信号作为训练样本进行训练后的自编码器，训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
如图3所示为一实施例中基于自编码器集成的机械装置异常检测系统的运行过程图，其包含N个异常检测器，每个异常检测器包含有一个自编码器和异常分数计算模块，每个异常检测器对应监测一个位置的状态。首先，N个传感器分别采集N个位置的振动信号，具体而言，系统所有的传感器每隔30分钟进行一次数据采样。每个传感器采集一个数据样本时，传感器从开始采集到数据样本在数据库中完全储存的这个过程被采集程序标注为“采集态”；未进行数据采集的空闲时态被标注为“空闲态”。传感器的状态由“采集态”跳变到“空闲态”，则说明完成一次数据采集。系统实时监听各传感器状态的跳变，当某个传感器出现“采集态→空闲态”的跳变后，特征提取模块和异常检测模块会被唤醒。特征提取模块会自动计算采集的震动样本的均方根、频率等特征，并将其储存在数据库中。异常检测模块调取对应的异常检测器，对当前的采样样本进行分析。一台球磨机上的各节点的传感器的采样是同步进行的，因此异常检测模块也是同步控制各异常检测器分析各采样样本，得到各节点的异常分数、故障警报等结果。随后，各节点的结果将被汇总，形成一次球磨机状态监控的故障报告，并储存到数据库中。在每次采样分析后，系统将分析结果、特征以及原始数据可视化显示在监控网站上，以便于用户对异常原因进行分析并制定装置的维护策略。
在一具体的实施例中，上述机械装置为转动装置，也可以为其他类型的装置。具体地，转动装置以球磨机为例。如图4所示，当机械设备为球磨机时，具体可以选择电机两侧的轴承(电机轴承1和电机轴承2)、齿轮两侧的轴承(齿轮轴承1和齿轮轴承2)和筒体进料口处轴承5与筒体进料口处轴承6共6个不同位置安装传感器并进行异常检测。实时监测转动装置的各处位置，并返回相应位置的异常分数。当装置的某个位置发生异常时，临近该位置的异常检测器返回的异常分数会升高，甚至触发故障预警。通过分析各异常检测器的异常分数大小或故障警报等级，可以确定各个部位的异常程度，从而实现故障前兆的定位，并制定相应的维护策略。
综上，本发明采用多个自编码器进行集成，每个自编码器可独立分析一处位置的故障风险，且基于每个自编码器返回的均方误差MSE计算异常分数，基于异常分数便能了解各位位置的异常情况，一方面降低了对训练样本的要求，另一方面可以快速定位故障前兆并了解各节点的异常程度。
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自编码器集成的机械装置异常检测方法，其特征在于，包括：
将当前时刻所采集的机械装置N个不同位置处的振动信号的特征分别输入N个自编码器进行实时分析，每个位置Pi对应一个自编码器AEi，计算每个自编码器AEi输入与输出的均方误差MSEi，i为位置索引，i＝1,2,……,N；
分别对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均值，δtest,i为将位置Pi处的历史振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均方差；
其中，所得异常分数用于反应当前时刻对应位置的异常风险，异常分数越大，异常风险越高。
2.如权利要求1所述的基于自编码器集成的机械装置异常检测方法，其特征在于，所述方法还包括：
当出现任意异常分数大于设定阈值时，触发滞环判定，所述滞环判定包括：
若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警；
若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1；
其中，异常样本为大于设定阈值的异常分数。
3.如权利要求1所述的基于自编码器集成的机械装置异常检测方法，其特征在于，所述方法还包括获取机械装置N个不同位置处的振动信号，具体包括：
同步控制N个不同位置处的传感器进行采样，当传感器从采集态跳转至空闲态时，获取各传感器所采集到的振动信号并分别输入对应的N个自编码器以基于N个自编码器的输入和输出计算均方误差；
其中，当传感器处于数据采集和数据存储的状态时为采集态，否则为空闲态。
4.如权利要求1所述的基于自编码器集成的机械装置异常检测方法，其特征在于，在利用自编码器进行实时分析之前，所述方法还包括利用对应位置处的历史振动信号作为训练样本训练对应的自编码器，训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
5.如权利要求1所述的基于自编码器集成的机械装置异常检测方法，其特征在于，所述机械装置为球磨机。
6.一种基于自编码器集成的机械装置异常检测系统，其特征在于，包括：
N个自编码器，每个自编码器AEi用于获取机械装置一个不同位置Pi处的振动信号的特征并对振动信号进行重构；i为位置索引，i＝1,2,……,N；
均方误差计算模块，用于计算每个自编码器AEi输入与输出的均方误差MSEi；
异常分数计算模块，用于对每个均方误差MSEi进行归一化，得到每个位置Pi的异常分数式中，/>为将位置Pi处的振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均值，δtest,i为将位置Pi处的振动信号的多个正常样本输入自编码器AEi所得的多个均方误差的均方差；其中，所得异常分数用于反应当前时刻对应位置的异常风险，异常分数越大，异常风险越高。
7.如权利要求6所述的基于自编码器集成的机械装置异常检测系统，其特征在于，还包括：
警报触发模块，用于当出现任意异常分数大于设定阈值时，触发以下滞环判定：
若当前时刻之前触发过故障警报，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M1时，触发故障报警；
若当前时刻之前没有触发过故障报警，且在截止至当前时刻的固定长度的时间窗内的异常样本的总数超过M2时，触发故障报警，M2＞M1；
其中，异常样本为大于设定阈值的异常分数。
8.如权利要求6所述的基于自编码器集成的机械装置异常检测系统，其特征在于，所述系统还包括：
N个设置传感器，分别设置于机械装置N个不同的位置，用于采集机械装置N个不同位置处的振动信号以分别输入对应的N个自编码器。
9.如权利要求6所述的基于自编码器集成的机械装置异常检测系统，其特征在于，所述机械装置为球磨机。
10.如权利要求6所述的基于自编码器集成的机械装置异常检测系统，其特征在于，所述自编码器为利用对应位置处的振动信号作为训练样本进行训练后的自编码器，训练损失函数为：
式中，n为所用样本数量，y为训练样本的标签，当训练样本为正常振动信号时，标签为1，当训练样本为故障振动信号时，标签为0，α是一个超参数，用于调整模型对故障样本的关注程度。
CN202311546813.6A 2023-11-17 2023-11-17 基于自编码器集成的机械装置异常检测方法及检测系统 Pending CN117556326A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311546813.6A CN117556326A (zh) 2023-11-17 2023-11-17 基于自编码器集成的机械装置异常检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311546813.6A CN117556326A (zh) 2023-11-17 2023-11-17 基于自编码器集成的机械装置异常检测方法及检测系统

Publications (1)

Publication Number Publication Date
CN117556326A true CN117556326A (zh) 2024-02-13

Family

ID=89810543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311546813.6A Pending CN117556326A (zh) 2023-11-17 2023-11-17 基于自编码器集成的机械装置异常检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN117556326A (zh)

Similar Documents

Publication Publication Date Title
CN110414155B (zh) 一种带有单测点的风机部件温度异常检测和报警方法
CN110366031A (zh) 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
US6587737B2 (en) Method for the monitoring of a plant
CN112925279A (zh) 一种基于mes系统的故障综合分析系统
CN107844067B (zh) 一种水电站闸门在线状态监测控制方法及监测系统
CN115559890A (zh) 一种水泵机组运行故障预测调整方法及系统
CN112173636B (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN113982850B (zh) 融合高低频信号的风机综合健康分析方法及系统
CN111946559A (zh) 一种风机基础和塔架结构检测方法
CN112487890A (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN116383633A (zh) 一种多因素综合分析的机制砂振动筛故障检测方法及系统
CN115220396A (zh) 一种数控机床智能监控方法及系统
CN117318614A (zh) 一种光伏逆变器故障预测方法
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN114738132A (zh) 基于实船数据的增压器转速传感器故障诊断方法及系统
CN207992717U (zh) 一种水电站闸门在线状态监测系统
CN117759491A (zh) 一种风电机组螺栓故障监测方法
CN110578659A (zh) 一种用于对风电机组scada数据进行处理的系统和方法
CN117556326A (zh) 基于自编码器集成的机械装置异常检测方法及检测系统
CN115034094B (zh) 一种金属加工机床运行状态预测方法及系统
CN111638407A (zh) 一种智能纺纱抓棉故障检测系统
US11339763B2 (en) Method for windmill farm monitoring
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
CN113934601A (zh) 一种开关柜验收机器人状态评估方法和系统

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