一种深度对比学习与密度聚类结合的异常检测方法技术

本发明专利技术属于机械异常检测领域，涉及一种深度对比学习与密度聚类结合的异常检测方法；该方法包括利用对比学习提取原始数据所包含的高维特征信息；利用t

【技术实现步骤摘要】
一种深度对比学习与密度聚类结合的异常检测方法


[0001]本专利技术属于机械故障检测领域，涉及一种深度对比学习与密度聚类结合的异常检测方法。

技术介绍

[0002]近年来，机械设备自动化程度和集成度不断提升，大规模、长时间、高频率等特征使得可以用于设备运行状态监测的数据量大幅增加，为基于数据驱动的异常检测方法的运用提供了基础并逐渐成为新的趋势，基于数据驱动的异常检测方法可以有效避免传统异常检测方法存在的准确率低、过度依赖人工经验、误判率与漏判率偏高等问题。
[0003]工业现场环境多变，机械设备组成复杂，造成可能发生的故障类型多种多样，任何基于数据驱动的状态监测方法都无法掌握所有故障类型的特征信息。因此，提高模型在仅知道正常样本情况下的故障检测的准确率、降低故障检测过程的复杂程度对于故障检测领域仍具有重要意义。
[0004]具有噪声的基于密度的聚类方法(Density
‑
Based Spatial Clustering of Applications with Noise，简称DBSCAN)是一种无监督的聚类方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度对比学习与密度聚类结合的异常检测方法，其特征在于，所述方法包括以下步骤：S1：实时监测机械设备运行过程中的工况信息，利用加速度传感器采集设备振动信号数据，振动信号数据为设备在x轴、y轴以及z轴方向中一个或多个方向振动信号；S2：采用对比学习网络对采集到的实时振动信号数据以及正常状态的振动信号数据同时进行自监督学习，分别提取到振动信号数据样本中所包含的高维特征信息；S3：利用T分布随机近邻嵌入将所述高维特征信息投影到低维特征空间；S4：利用基于最小突变距离的方法计算出聚类半径，并利用基于密度的聚类算法将所述低维特征空间中的振动信号数据样本进行聚类处理；S5：若低维特征空间中存在多个类簇，则表明设备产生故障，反之则表明设备正常。2.根据权利要求1所述的一种深度对比学习与密度聚类结合的异常检测方法，其特征在于：所述步骤S2包括：S21：对振动信号数据采用振幅缩放和噪声添加进行数据增强，调整振幅比例，并通过乘以随机标量来更改窗口中振动信号数据的大小；S22：对增强后的振动信号数据进行编码，将编码得到的振动信号数据经过投影头映射到高维特征空间；S23：将高维特征空间的振动信号数据输入对比学习网络中，并利用对比损失函数优化对比学习网络。3.根据权利要求2所述的一种深度对比学习与密度聚类结合的异常检测方法，其特征在于：所述步骤S21包括：根据振动信号数据的高斯分布情况确定出比例系数，利用比例系数与窗口中振动信号数据的乘积得到增强后的振动信号数据；根据振动信号数据的高斯分布情况确定出高斯噪声，利用高斯噪声与窗口中振动信号数据的求和得到增强后的振动信号数据。4.根据权利要求2所述的一种深度对比学习与密度聚类结合的异常检测方法，其特征在于：所述步骤S22包括：利用编码网络对所述增强后的振动信号数据进行编码，采用第一层感知机对编码得到的振动信号数据进行感知处理，输出得到初步特征向量；采用ReLU非线性层对所述初步特征向量进行非线性处理，输出得到中间特征向量；采用第二层感知机对所述中间特征向量进行感知处理，输出得到振动信号数据的高维特征向量。5.根据权利要求2所述的一种深度对比学习与密度聚类结合的异常检测方法，其特征在于：所述步骤S23中的损失函数包括：其中，l
i,j
表示第i个高维特征信息z
i
与第j个高维特征信息z
j
之间的损失，1
[k≠i]
∈{0,1}为指示函数，该函数在k≠i时值为1，N表示高维特征空间中高维特征信息总数；τ是一个可调节的参数，sim(
·
，
·
)表示余弦相似度，z
j
...

【专利技术属性】
技术研发人员：张焱，刘卓林，韩延，黄庆卿，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：