本发明专利技术提供了一种异常数据检测方法及装置、机械故障检测方法及装置，属于数据处理技术领域。异常数据检测方法包括：获取第一训练数据；构建滤波器，并利用第一训练数据确定滤波器的系数；将第一训练数据经过滤波器后得到第二训练数据；构建异常检测模型，利用第二训练数据对异常检测模型进行训练，直至异常检测模型的识别效果达到预期，异常检测模型的输入为第二训练数据，异常检测模型的输出为第二训练数据与重构数据之间的差异特征值，重构数据为异常检测模型对第二训练数据进行重构后得到；将待检测数据输入滤波器后，再输入异常检测模型，得到待检测数据中的异常数据。本发明专利技术能够提高异常数据的检测精度。能够提高异常数据的检测精度。能够提高异常数据的检测精度。
【技术实现步骤摘要】
异常数据检测方法及装置、机械故障检测方法及装置
[0001]本专利技术涉及数据处理
，特别是指一种异常数据检测方法及装置、机械故障检测方法及装置。
技术介绍
[0002]在风力发电的新能源领域，一旦风机发生故障，会造成大量的经济损失，因而对风机系统的故障进行提前预警和诊断变得尤为重要。但风机故障数据较难采集，并且故障数据类型较多，给风机的故障诊断带来了极大的困难。风机数据的异常检测可作为风机故障检测的有效手段，异常数据检测可以作为风机故障诊断的基础，为故障分类提供基础的故障数据集，但现有的异常数据检测方案存在检测精度较低的问题，仅能识别出小部分的异常数据。
技术实现思路
[0003]本专利技术要解决的技术问题是提供一种异常数据检测方法及装置、机械故障检测方法及装置，能够提高异常数据的检测精度，进而可以提高机械故障的检测精度。
[0004]为解决上述技术问题，本专利技术的实施例提供技术方案如下：
[0005]一方面，提供一种异常数据检测方法，包括：
[0006]获取第一训练数据；
[0007]构建滤波器，并利用所述第一训练数据确定所述滤波器的系数；
[0008]将所述第一训练数据经过所述滤波器后得到第二训练数据；
[0009]构建异常检测模型，利用所述第二训练数据对所述异常检测模型进行训练，直至所述异常检测模型的识别效果达到预期，所述异常检测模型的输入为所述第二训练数据，所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值，所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到；
[0010]将待检测数据输入所述滤波器后，再输入所述异常检测模型，得到所述待检测数据中的异常数据。
[0011]可选地，所述获取第一训练数据包括：
[0012]对机械设备正常运行时的数据进行采样得到采样数据；
[0013]对所述采样数据进行信号时频分析，得到所述第一训练数据。
[0014]可选地，所述异常检测模型采用变分自编码器VAE模型。
[0015]可选地，所述滤波器采用半高斯滤波器。
[0016]可选地，所述滤波器的系数的数学表达式如下：
[0017][0018]其中，u为所述第一训练数据中能量最高的第一频率值，δ为所述第一频率值与第二频率值的距离，所述第二频率值的能量值为所述第一频率值的能量值*0.707。
[0019]本专利技术实施例还提供了一种机械故障检测方法，包括：
[0020]获取设置在机械设备上的传感器的传感数据；
[0021]将所述传感数据作为待检测数据，利用如上所述的异常数据检测方法对所述传感数据进行检测，得到异常数据；
[0022]利用所述异常数据定位所述机械设备的故障。
[0023]可选地，所述机械设备为风力发电机，所述传感器设置在所述风力发电机的以下至少一个部位：
[0024]齿轮箱，主齿轮，发电机。
[0025]可选地，所述传感器为振动传感器。
[0026]本专利技术实施例还提供了一种异常数据检测装置，包括：
[0027]第一获取模块，用于获取第一训练数据；
[0028]第一构建模块，用于构建滤波器，并利用所述第一训练数据确定所述滤波器的系数；
[0029]第二获取模块，用于将所述第一训练数据经过所述滤波器后得到第二训练数据；
[0030]第二构建模块，用于构建异常检测模型，利用所述第二训练数据对所述异常检测模型进行训练，直至所述异常检测模型的识别效果达到预期，所述异常检测模型的输入为所述第二训练数据，所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值，所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到；
[0031]检测模块，用于将待检测数据输入所述滤波器后，再输入所述异常检测模型，得到所述待检测数据中的异常数据。
[0032]本专利技术实施例还提供了一种机械故障检测装置，包括：
[0033]数据获取模块，用于获取设置在机械设备上的传感器的传感数据；
[0034]异常数据检测模块，用于将所述传感数据作为待检测数据，利用如上所述的异常数据检测方法对所述传感数据进行检测，得到异常数据；
[0035]故障定位模块，用于利用所述异常数据定位所述机械设备的故障。
[0036]本专利技术实施例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上所述的异常数据检测方法的步骤或实现如上所述的机械故障检测方法的步骤。
[0037]本专利技术的实施例具有以下有益效果：
[0038]上述方案中，在利用异常检测模型对待检测数据进行检测之前，先将待检测数据经过特定的滤波器，通过特定的滤波器可对待检测数据的频域特性进行有效的利用，再利用异常检测模型对经过滤波器后的待检测数据进行检测，可以提高异常数据检测的精度。
附图说明
[0039]图1为VAE模型的架构示意图；
[0040]图2为相关技术识别出的异常数据的示意图；
[0041]图3为设置在风力发电机的齿轮箱的振动传感器的振动传感数据的频谱图；
[0042]图4为设置在风力发电机的发电机的振动传感器的振动传感数据的频谱图；
[0043]图5为设置在风力发电机的主齿轮的振动传感器的振动传感数据的频谱图；
[0044]图6为本专利技术实施例异常数据检测方法的流程示意图；
[0045]图7为半高斯滤波器与高斯滤波器的滤波特性示意图；
[0046]图8为数据经过滤波器后的时域波形比较示意图；
[0047]图9为本专利技术实施例VAE模型的系统框架示意图；
[0048]图10-图12为添加滤波器后识别出的异常数据的比较示意图；
[0049]图13为本专利技术实施例机械故障检测方法的流程示意图；
[0050]图14为本专利技术实施例异常数据检测装置的结构框图；
[0051]图15为本专利技术实施例异常数据检测的电子设备的结构框图；
[0052]图16为本专利技术实施例机械故障检测装置的结构框图；
[0053]图17为本专利技术实施例机械故障检测的电子设备的结构框图。
具体实施方式
[0054]为使本专利技术的实施例要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0055]相关技术常采用VAE(variational autoencoder，变分自编码器)模型进行数据的异常检测，图1所示为VAE模型的架构示意图。VAE模型基于概率基础，分为编码器和解码器，编码器将输入数据x以一定概率编码为正态分布信号，解码器根据信号的正态分布特点对信号进行重构，重构后的数据y与原始数据x之间的差异以KL散度表示。VAE模型的输出为原始数据与重构数据之间的差异评分，利用正常的数据对VAE模型进行训练，在进行异常数据检测时，将待检测数据本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常数据检测方法，其特征在于，包括：获取第一训练数据；构建滤波器，并利用所述第一训练数据确定所述滤波器的系数；将所述第一训练数据经过所述滤波器后得到第二训练数据；构建异常检测模型，利用所述第二训练数据对所述异常检测模型进行训练，直至所述异常检测模型的识别效果达到预期，所述异常检测模型的输入为所述第二训练数据，所述异常检测模型的输出为所述第二训练数据与重构数据之间的差异特征值，所述重构数据为所述异常检测模型对所述第二训练数据进行重构后得到；将待检测数据输入所述滤波器后，再输入所述异常检测模型，得到所述待检测数据中的异常数据。2.根据权利要求1所述的异常数据检测方法，其特征在于，所述获取第一训练数据包括：对机械设备正常运行时的数据进行采样得到采样数据；对所述采样数据进行信号时频分析，得到所述第一训练数据。3.根据权利要求1所述的异常数据检测方法，其特征在于，所述异常检测模型采用变分自编码器VAE模型。4.根据权利要求1所述的异常数据检测方法，其特征在于，所述滤波器采用半高斯滤波器。5.根据权利要求4所述的异常数据检测方法，其特征在于，所述滤波器的系数的数学表达式如下：其中，u为所述第一训练数据中能量最高的第一频率值，δ为所述第一频率值与第二频率值的距离，所述第二频率值的能量值为所述第一频率值的能量值*0.707。6.一种机械故障检测方法，其特征在于，包括：获取设置在机械设备上的传感器的传感数据；将所述传感数据作为待检测数据，利用如权利要求1-5中任一项所述的异常数据检测方法对所述传感数据进行检测，得到异常数据；利用所述异常数据定位所述机械设备的故障。7.根据权利要求...
【专利技术属性】
技术研发人员：王晓雪，侯金亭，刘丽艳，刘殿超，贾焕，
申请(专利权)人：株式会社理光，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。