一种速变信号检测方法和装置制造方法及图纸

本发明专利技术公开了一种速变信号检测方法，包括：采集待测设备产生的速变信号，并根据所采集的速变信号，确定待检测特征数据；将所确定的待检测特征数据输入预先训练好的第一概率神经网络模型，确定所述待测设备的工作状况；根据所述待测设备的工作状况，确定对应的第二概率神经网络模型；将所确定的待检测特征数据输入所确定的所述第二概率神经网络模型，确定所述速变信号的状态。本发明专利技术还公开了一种速变信号检测装置。

A fast changing signal detection method and device

【技术实现步骤摘要】
一种速变信号检测方法和装置
本专利技术涉及计算机
，尤指一种基于机器学习的速变信号异常检测方法。
技术介绍
PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。目前，PHM技术对于实施装备速变信号过程性异常检测的方法主要有：基于支持向量机的异常检测方法，基于粒子滤波方法，基于灰色模型检测方法，基于神经网络检测方法。基于支持向量机的异常检测方法的缺陷在于：对于大规模训练样本难以实现，对于解决多类问题存在困难。基于粒子滤波方法缺陷在于：不具备应对干扰变化的能力，对于不确定的扰动易出现滤波发散从而导致检测精度下降。基于灰色模型检测方法的缺陷在于：容易破坏原始时间序列自身的周期性和多种趋势特性，降低模型的鲁棒性。相比于上述几种方法，基于的神经网络检测方法的优点在于：它有很强的非线性问题处理能力，分布式信息储存，并行处理，自适应学习等优点。然而，速变信号检测结果易受工况变化的影响，并且过程性速变信号时序性突变的特点为异常信号的检测增大了难度。目前现有的检测方法难以对其进行有效的信号异常检测。因此还需要改进现有的算法或者开发新的算法来解决这一难点问题。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于机器学习的速变信号检测方法，精确的检测过程性信号异常，可以有效避免陷入局部最优，有较强的推断能力，并且可以避免检测精度及模型鲁棒性降低的问题。本专利技术提供一种速变信号检测方法，包括：采集待测设备产生的速变信号，并根据所采集的速变信号，确定待检测特征数据；将所确定的待检测特征数据输入预先训练好的第一概率神经网络模型，确定所述待测设备的工作状况；根据所述待测设备的工作状况，确定对应的第二概率神经网络模型；将所确定的待检测特征数据输入所确定的所述第二概率神经网络模型，确定所述速变信号的状态。可选地，其中，所述根据所述待测设备的工作状况，确定对应的第二概率神经网络模型，包括：根据所述待测设备的工作状况，利用该工作状况下的正常样本数据确定正常特征矩阵；利用该工作状况下的异常样本数据确定异常特征矩阵；将正常特征矩阵及其工作状况标签，和异常特征矩阵及其工作状况标签输入第二概率神经网络模型进行训练，确定所述第二概率神经网络模型的训练模型参数；或者，所述根据所述待测设备的工作状况，确定对应的第二概率神经网络模型，包括：根据所述待测设备的工作状况，从预先已完成训练的至少一个第二概率神经网络模型中选择该工作状况的第二概率神经网络模型，其中，所述至少一个预先已完成训练的第二概率神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的第二概率神经网络模型：利用当前工作状况下的正常样本数据确定正常特征矩阵；利用当前工作状况下的异常样本数据确定异常特征矩阵，将正常特征矩阵及当前工作状况标签，和异常特征矩阵及当前工作状况标签输入第二概率神经网络模型进行训练，确定第二概率神经网络模型的训练模型参数。可选地，其中，所述将所确定的待检测特征数据输入确定的所述第二概率神经网络，确定所述速变信号的状态，包括：将所述待检测特征数据输入确定的第二概率神经网络，根据所述第二概率神经网络模型的训练模型参数，确定所述速变信号的状态。可选地，其中，所述第一概率神经网络模型预先根据以下方法训练得到：预先收集所述待测设备在不同工作状况下产生的对应的速变信号；从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；根据不同工作状况下的正常特征矩阵和对应的标签，以及不同工作状况下的异常特征矩阵和对应的标签，输入所述第一概率神经网络模型进行训练，确定所述第一概率神经网络模型的训练模型参数。可选地，其中，所述根据所采集的速变信号，确定待检测特征数据，包括：根据所采集的速变信号，确定所对应的工作状况是否多于一种；当多于一种工作状况时，将所采集的速变信号分割为对应的多于一个的速变信号数据子集，根据各速变信号数据子集分别确定对应的待检测特征数据；当只有一种工作状况时，根据所采集的速变信号确定对应的待检测特征数据。可选地，其中，所述确定正常特征矩阵，包括：根据预设的第一移动窗宽和第一时移步数，将所述正常样本数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；其中，所述确定异常特征矩阵，包括：根据预设的第二移动窗宽和第二时移步数，将所述异常样本数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。可选地，其中，所述确定待检测特征数据，包括：根据预设的第三移动窗宽和第三时移步数，将速变信号进行分时段时移，得到第三分窗时移矩阵，对所述第三分窗时移矩阵进行云特征提取，得到待检测数据特征矩阵。可选地，其中，所述根据所采集的速变信号，确定所对应的工作状况是否多于一种，包括：根据预设的跳变阈值，从所采集的速变信号中寻找相邻两个数据点之间的变化值的绝对值是否大于所述跳变阈值的数据序号位置，记录该位置为数据信号跳变点；如果所采集的速变信号数据中不存在这样的数据信号跳变点，则确定所采集的速变信号所对应的工作状况只包括一种；如果所采集的速变信号中存在这样的数据信号跳变点，则确定所采集的速变信号所对应的工作状况包括多于一种；其中，所述将所采集的速变信号分割为对应多的多于一个的速变信号子集，包括：将所采集的速变信号根据跳变点的位置进行数据分割，得到多于一个的速变信号子集。本专利技术还提供一种速变信号检测装置，包括：信号采集模块，设置为采集待测设备产生的速变信号，并根据所采集的速变信号，确定待检测特征数据；工作状况确定模块，设置为将所确定的待检测特征数据输入预先训练好的第一概率神经网络模型，确定所述待测设备的工作状况；第二概率神经网络模型确定模块，设置为根据所述待测设备的工作状况，确定对应的第二概率神经网络模型；信号状态确定模块，设置为将所确定的待检测特征数据输入所确定的所述第二概率神经网络模型，确定所述速变信号的状态。可选地，其中，所述采集模块还设置为：根据所信号采集的速变信号，确定所对应的工作状况是否多于一种；当多于一种本文档来自技高网...

【技术保护点】
1.一种速变信号检测方法，其特征在于，包括：/n采集待测设备产生的速变信号，并根据所采集的速变信号，确定待检测特征数据；/n将所确定的待检测特征数据输入预先训练好的第一概率神经网络模型，确定所述待测设备的工作状况；/n根据所述待测设备的工作状况，确定对应的第二概率神经网络模型；/n将所确定的待检测特征数据输入所确定的所述第二概率神经网络模型，确定所述速变信号的状态。/n

【技术特征摘要】
1.一种速变信号检测方法，其特征在于，包括：
采集待测设备产生的速变信号，并根据所采集的速变信号，确定待检测特征数据；
将所确定的待检测特征数据输入预先训练好的第一概率神经网络模型，确定所述待测设备的工作状况；
根据所述待测设备的工作状况，确定对应的第二概率神经网络模型；
将所确定的待检测特征数据输入所确定的所述第二概率神经网络模型，确定所述速变信号的状态。


2.根据权利要求1所述的方法，其特征在于：
其中，所述根据所述待测设备的工作状况，确定对应的第二概率神经网络模型，包括：
根据所述待测设备的工作状况，利用该工作状况下的正常样本数据确定正常特征矩阵；利用该工作状况下的异常样本数据确定异常特征矩阵；将正常特征矩阵及其工作状况标签，和异常特征矩阵及其工作状况标签输入第二概率神经网络模型进行训练，确定所述第二概率神经网络模型的训练模型参数；
或者，所述根据所述待测设备的工作状况，确定对应的第二概率神经网络模型，包括：
根据所述待测设备的工作状况，从预先已完成训练的至少一个第二概率神经网络模型中选择该工作状况的第二概率神经网络模型，
其中，所述至少一个预先已完成训练的第二概率神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的第二概率神经网络模型：
利用当前工作状况下的正常样本数据确定正常特征矩阵；利用当前工作状况下的异常样本数据确定异常特征矩阵，将正常特征矩阵及当前工作状况标签，和异常特征矩阵及当前工作状况标签输入第二概率神经网络模型进行训练，确定第二概率神经网络模型的训练模型参数。


3.根据权利要求1所述的方法，其特征在于：
其中，所述将所确定的待检测特征数据输入确定的所述第二概率神经网络，确定所述速变信号的状态，包括：
将所述待检测特征数据输入确定的第二概率神经网络，根据所述第二概率神经网络模型的训练模型参数，确定所述速变信号的状态。


4.根据权利要求1所述的方法，其特征在于，
其中，所述第一概率神经网络模型预先根据以下方法训练得到：
预先收集所述待测设备在不同工作状况下产生的对应的速变信号；
从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；
对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；
根据不同工作状况下的正常特征矩阵和对应的标签，以及不同工作状况下的异常特征矩阵和对应的标签，输入所述第一概率神经网络模型进行训练，确定所述第一概率神经网络模型的训练模型参数。


5.根据权利要求1所述的方法，其特征在于，
其中，所述根据所采集的速变信号，确定待检测特征数据，包括：
根据所采集的速变信号，确定所对应的工作状况是否多于一种；...

【专利技术属性】
技术研发人员：沈毅，刘雪艳，潘树强，彭时涛，宋钱骞，
申请(专利权)人：北京旋极信息技术股份有限公司，
类型：发明
国别省市：北京;11