基于稀疏自注意力和VAE的无监督模型振动异常检测方法技术

本发明专利技术属于智能检测技术领域，公开了基于稀疏自注意力和VAE的无监督模型振动异常检测方法，包括下列步骤：S1、获取振动数据并进行预处理；S2、构建VAE‑Informer模型；S3、对VAE‑Informer模型进行训练；S4、使用训练后的VAE‑Informer模型用于振动数据的故障异常检测；所述VAE‑Informer模型包括编码器和解码器，编码器将输入数据映射到一个潜在空间中的潜在变量，解码过程则将潜在变量映射为原始数据的重构；VAE‑Informer模型使用Informer单元代替VAE中的普通神经单元。本发明专利技术对序列数据中的长时间依赖关系捕获能力更强，并因此兼顾数据中的分布特征和时序特征。

【技术实现步骤摘要】

本专利技术属于智能检测，具体涉及基于稀疏自注意力和vae的无监督模型振动异常检测方法。

技术介绍

1、常用的故障检测方法主要是基于模型、基于经验、基于数据的相关方法。其中基于模型方法需要计算出所检测设备运行时产生数据的模型，它依赖人为设定的数学模型，实际工业设备运行时情况十分复杂，想要把相关干扰因素完全考虑在内几乎是不可能的，所以建立精确的数学模型十分困难。

2、而基于经验方法依赖所检测领域相关专家的经验知识，对人员要求过高，且可能存在主观性判断等问题，并且依赖人工会导致缺乏自动化和智能性，难以在大规模系统或实时数据进行检测。

3、现有技术基于数据方法的不足：此类方法通过挖掘设备历史运行数据中隐含信息，一般通过对振动信号的分析来判断设备运行的状态，此类方法不用建立数学模型，也不依赖专业人员的经验，能够适用于比较复杂的系统，当前应用比较广泛，特别是各类机器学习和深度学习的方法，但是机器学习难以拟合复杂的模型，而深度学习的拟合能力则更好一些。但现有技术对序列数据中的长时间依赖关系捕获能力不足，并且无法兼顾振动数据中的分布特征和时序特征，本文档来自技高网...

【技术保护点】

1.基于稀疏自注意力和VAE的无监督模型振动异常检测方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的基于稀疏自注意力和VAE的无监督模型振动异常检测方法，其特征在于：所述步骤三包括：

3.根据权利要求1或2所述的基于稀疏自注意力和VAE的无监督模型振动异常检测方法，其特征在于：所述步骤一采集一段时间内的振动数据，再将数据划分成m个长度为n的序列经标准化形成形状为(m，n)的输入矩阵，将输入矩阵作为模型输入数据。

4.根据权利要求3所述的基于稀疏自注意力和VAE的无监督模型振动异常检测方法，其特征在于：所述步骤S3.1具体包括：

5...

【技术特征摘要】

1.基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：包括下列步骤：

2.根据权利要求1所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤三包括：

3.根据权利要求1或2所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤一采集一段时间内的振动数据，再将数据划分成m个长度为n的序列经标准化形成形状为(m，n)的输入矩阵，将输入矩阵作为模型输入数据。

4.根据权利要求3所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤s3.1具体包括：

5.根据权利要求4所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤s3.2中，多头稀疏自注意力的计算方法包括：

6.根据权利要求5所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤s3.2中，在每一头的计算中，qi表示查询q的第i个行向量，相应的稀疏度量表示为：

7.根据权利要求5所述的基于稀疏自注意力和vae的无监督模型振动异常检测方法，其特征在于：所述步骤s3.2中，在每一头的计算中，使用最大均值测量计算查询q的第i个行向量...

【专利技术属性】
技术研发人员：李闯，唐耀如，徐航，张晓光，束正华，周立，
申请(专利权)人：安徽智质工程技术有限公司，
类型：发明
国别省市：