【技术实现步骤摘要】
本专利技术涉及数字信号处理，具体涉及一种异常监测与故障识别的方法及装置。
技术介绍
1、随着现代工业化、信息化的快速发展，对于工程系统可靠性的要求也逐步提高；在诸多工业以及民用领域，如何根据系统输出对其进行异常检测以及如何对系统的故障类型及等级进行划分，已成为一项迫切的需求。同时，现有的故障检测与故障识别手段大多在算法和软件层面；而且，在实际的系统环境中，用于进行异常检测与故障识别的处理资源往往会受到空间、集成度、应用场景等诸多条件的限制。
技术实现思路
1、（一）要解决的技术问题
2、针对上述不足，本专利技术的主要目的在于提供一种异常监测与故障识别的方法及装置。
3、（二）技术方案
4、为了实现上述目的，本专利技术第一方面，提供了一种异常监测与故障识别的方法，该方法包括：获取实时数据，对实时数据进行预处理，得到实时目标数据；利用预设的监测数据知识库对实时目标数据进行状态评估，得到异常数据；将异常数据输入sincnet滤波器进行池化操作，并进行卷积层标准化；采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习，确定异常数据对应的故障类型。
5、上述方案中，监测数据知识库通过以下方式来预设：获取原始数据，对原始数据进行预处理，得到目标数据；对目标数据进行基于密度聚类的学习，得到学习结果；基于学习结果，创建监测数据知识库。
6、上述方案中，实时数据包括连续型数据和离散型数据，对实时数据进行预处理，包括：对连续型数据利用
7、上述方案中，对目标数据进行基于密度聚类的学习，包括：计算目标数据i的局部密度和排斥距离δi，其中，目标数据i对应多个数据类簇；将目标数据i的局部密度与排斥距离δi相乘得到成簇矩，基于成簇矩构成目标数据的决策图。
8、上述方案中，该方法还包括：获取实时目标数据后，对实时目标数据与目标数据不断进行逐步迭代训练，监测数据知识库由训练得到的所有数据类簇组成，其中，监测数据知识库的更新是根据调整每一数据类簇的超参数完成，超参数包括截断距离与成簇聚阈值，截断距离用于调整每一数据类簇的尺寸范围，成簇矩阈值用于调节每一数据类簇的数量。
9、上述方案中，利用预设的监测数据知识库对实时目标数据进行状态评估，包括：在快速模式下，实时目标数据满足不可对应任一数据类簇的条件下，确定实时目标数据为异常数据；在距离模式下，计算实时目标数据的排斥距离，当排斥距离超过预设的阈值，确定实时目标数据为异常数据；在距离模式下，实时目标数据满足对应任一数据类簇的条件下，排斥距离非零，确定实时目标数据为异常数据。
10、上述方案中，将异常数据输入sincnet滤波器进行池化操作，并进行卷积层标准化，包括：对异常数据进行sincnet滤波处理，其中sincnet滤波处理的参数为增量学习训练精度达标的sincnet网络参数；对sincnet滤波处理的异常数据进行池化，对池化的异常数据进行卷积层标准化处理。
11、上述方案中，采用带动量的梯度下降法对卷积层标准化后的异常数据进行增量学习，确定异常数据所对应的故障类型，包括：对已标准化的异常数据进行带泄露的激活；对激活结果进行随机丢弃，将随机丢弃处理后的异常数据进行标准卷积神经网络推理，其中，所采用的标准卷积神经网络参数为增量学习训练精度达标的sincnet网络参数；将标准卷积神经网络推理后的异常数据通过归一化指数函数处理，得到softmax结果，确定异常数据所对应的故障类型。
12、本专利技术第二方面，提供了一种异常监测与故障识别的集成芯片装置，包括：输入输出接口模块，系统总线模块，系统微控制器模块，存储控制模块，片上存储模块，视觉处理器模块；输入输出接口模块，用于获取实时数据和相关网络参数；系统总线模块，用于对输入输出接口模块，系统微控制器模块，存储控制模块，视觉处理器模块的时序逻辑进行分配与控制；系统微控制器模块，包括系统微控制器内存，risc-v指令集处理器，用于充当控制核心并实现计算目标位置等复杂的不规则串行运算；存储控制模块，用于存储从集成芯片装置外部获取的数据；片上存储模块，包括并行布置的多个存储器，用于存储装置执行过程中的全部数据；视觉处理器模块，包括多个处理单元阵列，视觉处理器模块用于执行上述方案中的异常监测与故障识别方法。
13、上述方案中，每个处理单元阵列包括：局部寄存器；算术逻辑单元；处理单元，用于执行上述方案中的异常监测与故障识别方法。
14、（三）有益效果
15、本专利技术实施例的技术方案，至少具有以下有益效果：
16、（1）基于密度聚类学习的异常检测，在标注数据远少于无标注数据的应用场景中可有效提升异常检测的准确性；
17、（2）sincnet滤波器高效适用于处理系统健康管理监测信号这类按时序采集的一维信号，基于sincnet深度增量学习的故障识别模型，具有高效的低维特征提取能力，有效提升模型的识别故障类型的能力，并结合实时数据的输入，不断更新模型，提升故障识别的精度；
18、（3）异常检测与故障识别装置，可以高效实现异常检测与故障识别方法，能够有效提升处理系统集成度，使其具备更广泛、灵活的应用场景。
本文档来自技高网...【技术保护点】
1.一种异常监测与故障识别的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述监测数据知识库通过以下方式来预设：
3.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述实时数据包括连续型数据和离散型数据，所述对所述实时数据进行预处理，包括：
4.根据权利要求2所述的异常监测与故障识别的方法，其特征在于，所述对所述目标数据进行基于密度聚类的学习，包括：
5.根据权利要求4所述的异常监测与故障识别的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述利用预设的监测数据知识库对所述实时目标数据进行状态评估，包括：
7.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述将所述异常数据输入SincNet滤波器进行池化操作，并进行卷积层标准化，包括：
8.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述采用带动量的梯度下降法对所述卷积层标准化后的异常数据进行增量学习，确定所
9.一种异常监测与故障识别的集成芯片装置，其特征在于，包括：
10.根据权利要求9所述的集成芯片装置，其特征在于，每个所述处理单元阵列包括：
...【技术特征摘要】
1.一种异常监测与故障识别的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述监测数据知识库通过以下方式来预设：
3.根据权利要求1所述的异常监测与故障识别的方法，其特征在于，所述实时数据包括连续型数据和离散型数据，所述对所述实时数据进行预处理，包括：
4.根据权利要求2所述的异常监测与故障识别的方法，其特征在于，所述对所述目标数据进行基于密度聚类的学习，包括：
5.根据权利要求4所述的异常监测与故障识别的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的异常监测与故障识别...
【专利技术属性】
技术研发人员：窦润江，刘力源，邓永超，于双铭，
申请(专利权)人：中国科学院半导体研究所，
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。