基于无监督学习的传感器故障检测方法和装置制造方法及图纸

本申请涉及一种基于无监督学习的传感器故障检测方法和装置。所述方法包括：获取设置在待检测位置的多个传感器按时序输出的时序数据；利用特征提取工具提取时序数据中的时序特征，以及计算时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；将时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；将特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。采用本方法能够提高传感器故障检测的准确性。

【技术实现步骤摘要】
基于无监督学习的传感器故障检测方法和装置
本申请涉及传感器故障检测
，特别是涉及一种基于无监督学习的传感器故障检测方法和装置。
技术介绍
目前，传感器在各类工业场景中均有应用，传感器主要用于测量各类数据，以对工业场景中的数据进行监测，或者进行故障的实时预警。以温度传感器为例，在工况场景下温度传感器很容易出现故障，故障的传感器会造成温度数据失真，发生跳变等情况。故障的传感器会对额外增加监盘和运行人员的工作量和压力，对于一些存在过载保护的传感器，这种故障传感器甚至可能会引发非计划停机等严重影响生产的情况。如何对故障传感器进行检测和预判成为了设备安全运行面临的一个重要课题。当前，为了避免传感器数值异常、突变造成的设备意外停机，会在控制系统中增加温度突变保护锁，这种保护措施一般是通过判断温度变化率实现的，如果传感器前后数据发生巨幅的变化，变化超过设定的阈值，则对传感器进行锁定。但是这种传感器锁定机制对阈值设置经验要求较高，且存在较多的误报和漏报情况。传感器数据是一种典型的随时间变化的动态非线性数据具有海量、高维、非平稳和非线性的特点。时序数据映射着动态系统的变化规律以及潜在特性，通过对时序数据进行分析处理，可挖掘出数据中有价值的潜在信息与知识，并能够根据学习到的知识对动态系统未来的变化趋势做出科学估计。传统处理时序数据信号的方法包括傅里叶变换，小波变换等，但工业传感器的工况非常复杂，数据波动幅度较大，傅里叶变换无法兼顾时域和频率特征。在处理时序数据上，小波变换需要预先选择小波基和分解尺度，缺少自适应性。近年来在时序数据统计和挖掘方面有了较多的技术公开。一方面，传统技术中提取综合充电站和公交电站的实际到站充电车辆的时序特征，建立仿真模型，对比分析综合充电站和公交充电站的电流谐波。另一方面，也出现了以SFPSZ-180000/220型变压器为研究对象，提出了基于数据挖掘算法的变压器热点温度时序预测方法，其预测结果可为变压器的动态增容决策提供有效参考。还有针对滚动轴承故障提取轴承运行的时域信号特征，提高了故障识别准确率。然而，传统的故障检测中，对于大量的特征以及传感器进行故障检测时，准确性并不高。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高故障检测准确性的基于无监督学习的传感器故障检测方法和装置。一种基于无监督学习的传感器故障检测方法，所述方法包括：获取设置在待检测位置的多个传感器按时序输出的时序数据；提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。在其中一个实施例中，还包括：设置跳变阈值；获取所述时序数据的一阶差分数组，将所述一阶差分数组与所述跳变阈值进行比对，得到跳变比对结果；提取所述时序数据的连续跳变布尔序列集合，根据所述跳变比对结果和所述连续跳变布尔序列集合，得到预设统计周期内连续发生跳变的最大次数。在其中一个实施例中，还包括：获取波动量统计步长；根据所述时序数据的长度和所述波动量统计步长，统计所述时序数据相邻数据的最大累计波动量。在其中一个实施例中，所述时序特征包括：平均值、5分位数、95分位数、最大跳变值、一阶差分绝对和、时序数据复杂度和排列熵。在其中一个实施例中，所述无监督学习聚类算法包括：k-means、BIRCH、DBSCAN或GMM模型。一种基于无监督学习的传感器故障检测装置，所述装置包括：时序数据获取装置，用于获取设置在待检测位置的多个传感器按时序输出的时序数据；特征提取模块，用于提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；特征集构建模块，用于将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；故障检测模块，用于将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。在其中一个实施例中，所述特征提取模块还用于设置跳变阈值；获取所述时序数据的一阶差分数组，将所述一阶差分数组与所述跳变阈值进行比对，得到跳变比对结果；提取所述时序数据的连续跳变布尔序列集合，根据所述跳变比对结果和所述连续跳变布尔序列集合，得到预设统计周期内连续发生跳变的最大次数。在其中一个实施例中，所述特征提取模块还用于获取波动量统计步长；根据所述时序数据的长度和所述波动量统计步长，统计所述时序数据相邻数据的最大累计波动量。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取设置在待检测位置的多个传感器按时序输出的时序数据；提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。一种计算机可读存储介质，其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以下步骤：获取设置在待检测位置的多个传感器按时序输出的时序数据；提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。上述基于无监督学习的传感器故障检测方法、装置、计算机设备和存储介质，通过构建连续发生跳变的最大次数和最大累计波动量，能够体现出传感器的数据波动特点，从而结合时序特征在进行非监督学习聚类时，能够显著的区分故障的传感器和非故障的传感器，从而提高故障检测的准确性。附图说明图1为一个实施例中基于无监督学习的传感器故障检测方法的流程示意图；图2为一个实施例中基于无监督学习的传感器故障检测装置的结构框图；图3为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在一个实施例中，如图1所示，提供了一种基于无监督学习的传感器故障检测方法，包括以下步骤：步骤102，获取设置在待检测位置的多个传感器按时序输出的时序数据。一般而言，在待检测位置会设置大量的传感器，用于监测待检测位置的温度信息，以火力本文档来自技高网...

【技术保护点】
1.一种基于无监督学习的传感器故障检测方法，其特征在于，所述方法包括：/n获取设置在待检测位置的多个传感器按时序输出的时序数据；/n提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；/n将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；/n将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。/n

【技术特征摘要】
1.一种基于无监督学习的传感器故障检测方法，其特征在于，所述方法包括：
获取设置在待检测位置的多个传感器按时序输出的时序数据；
提取所述时序数据中的时序特征，以及计算所述时序数据预设统计周期内连续发生跳变的最大次数和最大累计波动量；
将所述时序特征、连续发生跳变的最大次数以及最大累计波动量作为传感器的特征集；
将所述特征集作为输入，利用预先设置的无监督学习聚类算法对多个传感器进行聚类，得到故障传感器集合和非故障传感器集合。


2.根据权利要求1所述的方法，其特征在于，计算所述时序数据预设统计周期内连续发生跳变的最大次数，包括：
设置跳变阈值；
获取所述时序数据的一阶差分数组，将所述一阶差分数组与所述跳变阈值进行比对，得到跳变比对结果；
提取所述时序数据的连续跳变布尔序列集合，根据所述跳变比对结果和所述连续跳变布尔序列集合，得到预设统计周期内连续发生跳变的最大次数。


3.根据权利要求1所述的方法，其特征在于，计算所述时序数据预设统计周期内的最大累计波动量，包括：
获取波动量统计步长；
根据所述时序数据的长度和所述波动量统计步长，统计所述时序数据相邻数据的最大累计波动量。


4.根据权利要求1所述的方法，其特征在于，所述时序特征包括：平均值、5分位数、95分位数、最大跳变值、一阶差分绝对和、时序数据复杂度和排列熵。


5.根据权利要求1至4任意一项所述的方法，其特征在于，所述无监督学习聚类算法包括：k-means、BIRCH、DBSCAN或GMM模...

【专利技术属性】
技术研发人员：陈海涛，
申请(专利权)人：湖南安存科技有限公司，
类型：发明
国别省市：湖南;43