一种融合时序关系的机械设备集成同类异常检测方法技术

一种融合时序关系的机械设备集成同类异常检测方法，将提取时序关系的长短时记忆网络模块和提取频域特征的全卷积网络模块进行组合构建集成长短时记忆

【技术实现步骤摘要】
一种融合时序关系的机械设备集成同类异常检测方法


[0001]本专利技术属于机械设备异常检测
，具体涉及一种融合时序关系的机械设备集成同类异常检测方法。

技术介绍

[0002]旋转机械是现代工业中广泛运用的一类机械，在航空、电力、石油、化工等行业得到广泛的运用，且大多为生产设备的关键部件，一旦发生事故，将会造成极大的经济损失。因此，旋转机械的异常检测具有极其重要的意义。在旋转机械的众多异常检测方法中，基于信号处理的异常检测技术是现今工业现场采用最多的设备异常检测方法，以故障特征频率和特征图谱为主要判据，该类诊断法需要技术人员熟悉器件的故障机理，了解设备的机械结构，储备大量的先验知识。通过类似于中医的“望闻问切”的方式进行综合诊断，诊断效率和准确性不高，难以适应日趋复杂的机械设备系统。
[0003]在异常检测领域中，多种深度学习方法已被广泛运用，并已取得不错的效果。但是对于这种基于数据驱动的异常检测，特别是基于深度学习的异常检测方法而言，模型分类精度的提升往往对带标签样本的数据量有着比较高的要求，以故障的分类研究为例，即，对于一个网络模型而言，带标记的数据量越大，网络能够提取到的故障特征越丰富，最终的分类效果则越好。但是，在实际生产中，带标签的数据需要采用人工手段进行标记。在大数据背景下，生产制造过程中的数据首先呈现的特性即为海量性，对海量的数据进行标记，毫无疑问需要消耗极大的人力、物力和时间成本，因此，通常无法获得大量的带标记样本。并且在许多实际工业系统中，来自异常工况的样本往往数据量不足。
[0004]研究表明，集成学习可以通过构建并结合多个学习器来完成异常检测任务，其中集成学习的Bagging思想是通过自举重采样的方法扰动原始数据集，获得一系列子集并训练一系列分类器，之后通过某种聚合技术组合这些分类器。这种方法在概念上很简单，但许多实践表明其效果很好。当个体分类器彼此之间不相关时，打包通常会提升它们的性能。因此可以通过Bagging的方法来构建异常检测算法。同时，传统的分类器是从设备的机械结构和故障机理出发，根据状态监测采集到的振动、压力、温度和噪声等不同信号的状态信息对轴承状态进行人为判别，但是这种方法需要技术人员熟悉器件的故障机理，了解设备的机械结构，储备大量的先验知识，对操作者的技术水平要求都比较高，难以适应日趋复杂的机械设备系统，不适合作为基学习器进行分类。而长短时记忆网络(LSTM)和全卷积网络(FCN)具有大规模并行处理、联想记忆、自组织学习、鲁棒性和容错性等优良特性，可以有效提取机械设备监测信号时域和频域特征，能够实现复杂的分类决策，解决人工智能研究中的某些局限性，为智能诊断开辟了崭新的途径。
[0005]目前还没有利用Bagging方法集成LSTM
‑
FCN子网络联合判别机械设备的无标签异常检测的文献公开。

技术实现思路

[0006]为了克服上述现有技术的缺点，本专利技术的目的是提出了一种融合时序关系的机械设备集成同类异常检测方法，利用Bagging方法集成多个LSTM
‑
FCN子网络联合判别，实现了机械设备的无标签异常检测。
[0007]为了达到上述目的，本专利技术采取的技术方案为：
[0008]一种融合时序关系的机械设备集成同类异常检测方法，将提取时序关系的长短时记忆网络模块和提取频域特征的全卷积网络模块进行组合构建集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型，并且根据Bagging集成模型迭代生成多个基分类器，从而完成对无标签监测数据的分类判断。
[0009]所述的一种融合时序关系的机械设备集成同类异常检测方法，包括以下步骤：
[0010]1)用集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型进行机械设备异常检测时，先获取异常样本数据集合P和无标签样本数据集合U；
[0011]2)对无标签样本集合U进行随机均匀采样，生成无标签样本子集U
t
视为正常样本集合，并且该子集大小和异常样本数据集合大小一致；
[0012]3)组合P和无标签样本子集U
t
生成训练集合，作为集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型的训练数据进行训练，得到一个分类器；
[0013]4)获得该次采样时均未被采样到的数据称为包外数据U
oob
＝U
‑
U
t
；
[0014]5)将包外数据U
oob
输入训练好的分类器得到本次预测分类概率s(x)；
[0015]6)循环步骤2)
‑
5)进行T次采样，最终获得T个分类器，对每个样本在T个分类器的预测分类概率s(x)进行累加并平均得到最终分类概率；
[0016]7)如果最终分类概率大于0.5，判定为异常样本，否则为正常样本。
[0017]所述的长短时记忆网络模块由多层长短时记忆网络基本单元堆叠组成，长短时记忆网络基本单元通过门结构保存长时记忆特征，长短时记忆网络基本单元由遗忘门、输入门、输出门和细胞状态组成。
[0018]所述的的全卷积网络模块由卷积层、批正则层BN和Relu函数组成的基本网络结构堆叠组成，其中卷积层的输出为对称且非稀疏的分布，批正则层BN则用于加快网络的训练和收敛速度、控制梯度爆炸以防止梯度消失，同时防止过拟合，最后添加Relu函数用于增加网络各层之间的非线性关系。
[0019]本专利技术的有益效果在于：
[0020]本专利技术通过Bagging集成的方式获得无标签样本子集，通过随机减少污染率带来的性能增益来克服异常数据标签未知带来的分类困难，同时利用LSTM
‑
FCN网络强大的时频域特征提取能力克服了传统诊断方法对操作者的经验知识和技术水平要求都比较高的问题；从而完成对无标签监测数据的分类判断，为大型设备异常检测的自动化和智能化指明了方向。
附图说明
[0021]图1为本专利技术实施例长短时记忆网络基本单元结构图。
[0022]图2为本专利技术实施例长短时记忆网络模块示意图。
[0023]图3为本专利技术实施例全卷积网络模块示意图。
[0024]图4为本专利技术实施例集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型框图。
具体实施方式
[0025]下面结合附图和实施例对本专利技术作详细描述。
[0026]一种融合时序关系的机械设备集成同类异常检测方法，将提取时序关系的长短时记忆网络模块和提取频域特征的全卷积网络模块进行组合构建集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型，并且根据Bagging集成模型迭代生成多个基分类器，从而完成对无标签监测数据的分类判断；
[0027]参照图1，本实施例的长短时记忆网络基本单元通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合时序关系的机械设备集成同类异常检测方法，其特征在于：将提取时序关系的长短时记忆网络模块和提取频域特征的全卷积网络模块进行组合构建集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型，并且根据Bagging集成模型迭代生成多个基分类器，从而完成对无标签监测数据的分类判断；所述的一种融合时序关系的机械设备集成同类异常检测方法，包括以下步骤：1)用集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型进行机械设备异常检测时，先获取异常样本数据集合P和无标签样本数据集合U；2)对无标签样本集合U进行随机均匀采样，生成无标签样本子集U
t
视为正常样本集合，并且该子集大小和异常样本数据集合大小一致；3)组合P和无标签样本子集U
t
生成训练集合，作为集成长短时记忆
‑
全卷积(LSTM
‑
FCN)网络模型的训练数据进行训练，得到一个分类器；4)获得该次采样时均未被采...

【专利技术属性】
技术研发人员：刘弹，董成佳，张克煜，支渊，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：