【技术实现步骤摘要】
一种无监督学习的电池生产工艺异常波动检测方法
[0001]本专利技术涉及工业生产工艺波动分析领域,具体涉及一种无监督学习的工艺波动的异常检测方法。
技术介绍
[0002]随着物联网和传感器技术的发展,工业生产中记录了大量的高维传感器数据,用来监测设备的运行状态。作为监控设备状态的一种重要方式,时间序列数据的异常检测在城市资源管理、计算机网络入侵检测、医疗保健和工业生产中得到了广泛关注。但是,通过传感器采集的数据多数是正常状态,而异常数据由于难以获得而较少,这就增加了异常检测的负担。如何通过现有的技术完成异常点检测,从而提高工业生产工艺波动分析的效率,减低生产设备的运行和维护成本具有重大的应用价值。
[0003]传统的异常点检测方法包括基于距离的方法和基于分类的方法。其中,一类支持向量机算法为基于距离方法的代表算法,通过对训练数据进行建模,从而区分出数据中的正常点和异常点。虽然该方法能够有效地解决数据的区分,但是该方法只关注了数据的本身信息,没有对时间序列的相关性进行捕捉,使得效果不佳。另一种方法是基于分类的方法,如隔离森林,该方法通过随机选择特征进行二叉树的搭建,从而完成时间序列的异常点检测,此方法需要耗费大量的时间进行特征设计和预处理,导致检测效果不稳定。
[0004]针对传统的异常点检测方法的缺点,基于深度学习的方法大量涌现出来,其中长短期记忆网络(Long Short
‑
Term Memory,LSTM)是处理时间序列的典型深度学习模型之一。基于LSTM模型的数据异常点检测方法 ...
【技术保护点】
【技术特征摘要】
1.一种无监督学习的电池生产工艺异常波动检测方法,其特征在于,该方法具体包括以下步骤:1)数据采集:通过安装在电池生产设备上的传感器,采集生产过程中工艺参数的时间序列,建立数据集;2)数据处理:将原始数据集划分为训练集X
train
、验证集X
val
、测试集X
test
,其中X
train
中只包含正常的样本,X
val
和X
test
中包含正常和异常的样本;对于每个数据集处理后,生成多通道特征矩阵M;3)搭建HFFRN模型,并使用训练集X
train
对模型进行训练;搭建HFFRN模型,具体构建步骤如下:HFFRN模型包含CNN
‑
ConvLSTM
‑
ATTENTION网络,模型的第一层由4层二维卷积层组成编码层,每个二维卷积层都包含二维卷积2D
‑
Conv、批次归一化层BN以及泄露修正线性单元LRelu激活函数;通过接收与工艺相关的多通道特征矩阵序列,选择不同的卷积核的权重和窗口的宽度,4层2D
‑
Conv逐层提取特征矩阵的空间特征,完成空间特征的编码,每层的输出作为下层中间层的输入;中间层由四个并行的ConvLSTM块组成,用于捕获多通道特征矩阵序列中的时间和空间两个维度上的特征,同时在此基础上引入注意力机制;注意力机制完成权重的分配,将更多注意力权重分配给关键特征并减少干扰;解码层由4个二维反卷积层组成,每层均包含二维反卷积2D
‑
Deconv、批次归一化层BN以及泄露修正线性单元LRelu激活函数;二维反卷积2D
‑
Deconv作为2D
‑
Conv的逆过程,通过调整卷积步长即可还原特征图特征信息;反卷积运算从最后一层反向解码到第一层,提取每一层的特征矩阵;对于最后一层直接通过对ConvLSTM的输出进行反卷积运算得到特征提取矩阵;其余三层通过将本层ConvLSTM的输出与i+1层的特征提取矩阵进行拼接之后再进行反卷积运算,得到本层的特征提取矩阵;特征提取矩阵用如下的公式进行表示:其中,c1,c2,c3,c4为每块ConvLSTM的输出,代表反卷积操作,代表串联操作,W
dei
和b
dii
分给为第i层中反卷积核的权重和偏置;分层特征融合层中通过4个并行的二维卷积2D
‑
Conv将特征提取矩阵转换成四个维度和大小相同的特征矩阵,公式如下:p
i
=f(W
rei
*r
i
+b
rei
)i=1,2,3,4
ꢀꢀꢀ
(2)其中,p
i
为维度和大小相同的特征矩阵,W
rei
为卷积核的权重,b
rei
为卷积核的偏置;之后将这四个特征矩阵输入到联络层进行拼接;最后通过使用一个2
×
2的卷积核对特征矩阵中的特征值进行信息融合,得到融合特征矩阵,也即最终需要的重构特征矩阵,重构特征矩阵表示为:O=f([p1;p2;p3;p4]*W+b)
ꢀꢀꢀ
(3)其中,O为重构特征矩阵,W为卷积核的权重,b为卷积核的偏置;[p1;p2;p3;p4]表示将p1、...
【专利技术属性】
技术研发人员:何志伟,赵宾杰,官思伟,董哲康,高明煜,
申请(专利权)人:杭州电子科技大学,
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。