一种基于无监督学习的螺丝拧紧异常数据检测方法技术

本发明专利技术公开了一种基于无监督学习的螺丝拧紧异常数据检测方法，属于工业时序数据异常检测技术领域。本发明专利技术基于深度学习领域相关技术，完成无监督的异常检测，通过循环神经网络和时间卷积网络进行数据特征提取，更加充分的学习到螺丝拧紧数据的时间关联特征，结合自动编码器进行降维和重构，实现无监督的漏检数据异常检测，从而实现不需要人工参与下，更加高效、准确的进行异常曲线检测，实现螺丝拧紧异常数据的识别。常数据的识别。常数据的识别。

【技术实现步骤摘要】
一种基于无监督学习的螺丝拧紧异常数据检测方法


[0001]本专利技术涉及一种基于无监督学习的螺丝拧紧异常数据检测方法，属于工业时序数据异常检测


技术介绍

[0002]螺丝设备作为工业生产中最常用的零件设备之一，其拧紧质量直接影响着工业产品的质量。以汽车制造业为例，在整车装配中约有上千处需要螺丝连接，在这些连接中，相当一部分是关键连接，控制着汽车关键部位点的紧固质量，如果拧紧过程出现问题，可能会造成严重的安全事故。因此，螺丝拧紧异常数据检测技术被广泛应用于工业生产制造中。
[0003]传统的螺丝拧紧异常检测技术，仅对工业时序数据进行简单的分析处理，无法发现工业时序数据之间的关键特征。例如，常用的最终扭矩判定法，只通过判定最终时刻的扭矩是否在预定范围内来判断拧紧过程是否正常，使得部分异常数据无法被识别，产品质量无法保证，留下验证安全隐患。另一方面，螺丝曲线数据数量巨大，并且正常数据远远多于异常数据，难以依靠人工和设备进行异常检测。

技术实现思路

[0004]本专利技术的目的是针对现有技术存在的缺陷和不足，为了实现无人工干预下对螺丝拧紧数据中设备漏检的异常数据的检测，创造性地提出一种无监督的工业螺丝拧紧数据异常检测方法，能够实现准确、高效的异常检测。
[0005]螺丝拧紧过程主要分为未充分接触时的自由拧紧阶段、开始接触后的扭矩增大阶段、弹性形变范围内的紧固阶段，整个过程中记录的扭矩值所绘制的曲线数据样本数据具有很强的时间关联特征。因此，本专利技术基于深度学习时间序列处理领域较为成熟的循环神经网络以及时间卷积网络，来充分提取曲线数据的时间关联特征，之后，使用自动编码器网络结构来进行特征压缩和重构，通过重构误差与阈值的大小关系来检测其中的异常数据。
[0006]循环神经网络(Recurrent Neural Network，RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。循环神经网络具有记忆性、参数共享并且图灵完备(Turing completeness)，因此，在对序列的非线性特征进行学习时具有一定优势。循环神经网络在自然语言处理(Natural Language Processing,NLP)，例如语音识别、语言建模、机器翻译等领域有应用，也被用于各类时间序列数据处理。引入了卷积神经网络(Convolutional Neural Network,CNN)构筑的循环神经网络可以处理包含序列输入的计算机视觉问题。
[0007]长短期记忆(Long short
‑
term memory，LSTM)是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，其内部通过设置门控单元实现对以往记忆的选择性保留，能够学习到长序列最重要的特征，从而在更长的序列中有更好的表现。双向长短期记忆网络(Bi
‑
directional LSTM)是一种改进的LSTM，从两个方向同时学习特征，弥
补了单向LSTM无法有效联系上下文的缺陷。
[0008]时间卷积网络(Temporal Convolutional Network，TCN)是对卷积神经网络的改进，通过加入因果卷积和空洞卷积，其具备了对时间序列数据的处理能力，并且，通过网络之间的残差连接结构，避免了梯度消失或梯度爆炸现象的产生。此外，时间卷积网络具有卷积网络能够并行化的特点，没有循环神经网络上下关联的限制，其训练更加高效。
[0009]自动编码器(Auto Encoder，AE)是一种广泛用于半监督和无监督的神经网络模型，它可以学习到输入数据的隐含特征，这称为编码(coding)，同时用学习到的新特征可以重构出原始输入数据，称之为解码(decoding)。从直观上来看，自动编码器可以用于特征降维，类似主成分分析PCA，但是其相比PCA其性能更强，这是由于神经网络模型可以提取更有效的新特征。除了进行特征降维，自动编码器学习到的新特征可以送入有监督学习模型中，因此，自动编码器可以起到特征提取器的作用。
[0010]本专利技术的创新点在于：基于深度学习领域相关技术，完成无监督的异常检测，通过循环神经网络和时间卷积网络进行数据特征提取，更加充分的学习到螺丝拧紧数据的时间关联特征，结合自动编码器进行降维和重构，实现无监督的漏检数据异常检测，从而实现不需要人工参与下，更加高效、准确的进行异常曲线检测，实现螺丝拧紧异常数据的识别。
[0011]本专利技术采用以下技术方案实现。
[0012]一种基于无监督学习的螺丝拧紧异常数据检测方法，包括以下步骤：
[0013]步骤1：初始化系统参数。包括神经网络模型参数、学习率、数据分批大小、迭代次数、误差阈值。
[0014]步骤2：对数据进行预处理和归一化，将所有样本数据预处理为统一长度，并根据数据范围进行数据归一化。
[0015]步骤3：将样本数据按设定比例划分为训练集、验证集和测试集。
[0016]步骤4：在训练集和验证集上训练神经网络模型，通过反向传播算法调整模型参数，达到指定迭代次数后结束，保存模型。
[0017]步骤5：将测试集送入训练后的模型，进行异常检测。
[0018]有益效果
[0019]本专利技术方法，采用无监督方式，无需人工对数据进行标注，大大节省人工成本。同时，采用时间卷积网络和循环神经网络结合，能够充分提取数据的重要特征，实现更加高效、准确的检测效果。
附图说明
[0020]图1为本专利技术方法的流程图。
[0021]图2为本专利技术方法的神经网络模型示意图；
[0022]具体实施方法
[0023]下面结合附图对本专利技术方法做进一步详细说明。
[0024]如图1所示，一种基于无监督学习的螺丝拧紧异常数据检测方法。其神经网络模型整体是一个自编码器结构，其中，编码器部分为基于循环神经网络和时间卷积网络，解码器部分为双层循环神经网络构成。如图2所示。
[0025]具体包含以下步骤：
[0026]步骤1：预设神经网络模型各项参数。
[0027]具体地，使用先验知识，对神经网络模型中的各项参数进行预设。其中，最大迭代次数为E，E＝200，学习率为α，α＝0.001，数据分批大小为B，B＝64。
[0028]步骤2：数据预处理和归一化。
[0029]通过采样，将螺丝拧紧样本数据预处理为统一长度T，并对其进行最大最小归一化。
[0030]具体地，对于样本数据S，长度为T，最大值为U，最小值为D，设置其每个点的值为：
[0031][0032]其中，S
i
表示第i个样本数据。
[0033]步骤3：样本集划分。
[0034]将样本数据集按照8:1:1比例(也可以设定成其他比例)，划分为训练集、验证集和测试集。
[0035]步骤4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督学习的螺丝拧紧异常数据检测方法，其特征在于，通过循环神经网络和时间卷积网络进行数据特征提取，学习螺丝拧紧数据的时间关联特征，结合自动编码器进行降维和重构，实现无监督的漏检数据异常检测；其中，循环神经网络模型整体是一个自编码器结构，其中，编码器部分为基于循环神经网络和时间卷积网络，解码器部分为双层循环神经网络构成；步骤1：初始化系统参数，包括神经网络模型参数、学习率、数据分批大小、迭代次数、误差阈值；步骤2：对数据进行预处理和归一化，将所有样本数据预处理为统一长度，并根据数据范围进行数据归一化；步骤3：将样本数据按照设定比例，划分为训练集、验证集和测试集；步骤4：在训练集和验证集上训练神经网络模型，通过反向传播算法调整模型参数，达到指定迭代次数后结束，保存模型；步骤5：将测试集送入训练后的模型，进行螺丝拧紧数据异常检测。2.如权利要求1所述的一种基于无监督学习的螺丝拧紧异常数据检测方法，其特征在于...

【专利技术属性】
技术研发人员：王伟，闫波，宿红毅，郑宏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：