【技术实现步骤摘要】
本专利技术涉及真空干泵异常检测，具体而言，涉及一种基于生成模型算法的在线实时真空干泵异常检测方法。
技术介绍
1、真空干泵作为现代工业领域中不可或缺的关键设备，广泛应用于各种需要高真空环境的生产过程中，如半导体制造、食品加工、化工生产等。这些设备的有效运行对于保障生产效率、产品质量以及操作安全至关重要。然而，真空干泵设备的潜在故障可能导致意外停机，进而引发人员伤害和财产损失，因此，能够及时发现并预防这些潜在问题变得尤为重要。
2、在智能制造的背景下，设备的健康检测和故障预防已经从传统的定期维护和人工检查，转变为依赖于数据分析和机器学习技术的智能监测系统。这些系统通过分析从设备传感器收集的大量时间序列数据，能够在早期阶段识别出异常行为，从而预测和防止潜在的设备故障。
3、现有的健康检测方法主要分为基于模型驱动的方法和基于数据驱动的方法。一方面，基于模型驱动的方法依赖于对设备物理特性和运行原理的深入理解，通过建立精确的数学模型来预测设备的行为和性能。这种方法在理论上具有较高的准确性，但往往需要大量的先验知识和专家经验，且在面对复杂的非线性系统时，建立准确的模型变得极其困难。
4、另一方面，基于数据驱动的方法则利用历史监测数据来训练机器学习模型，通过模式识别来发现设备的异常行为。这种方法不需要复杂的物理模型，可以处理高维度的数据，并且在数据量充足的情况下，能够提供较好的检测结果。然而，这些方法在处理高维特性和小数据集时存在局限性，尤其是在真空干泵设备的多维时间序列数据中，这些数据的强时间依赖性和高随
5、此外，现有的基于检测数据进行健康检测的方法还存在其他缺陷。例如，它们可能无法适应设备运行状态的动态变化，导致在生产需求变化或工作环境调整时，检测性能下降。此外，这些方法可能无法充分考虑设备间的差异性，导致在不同设备或相似设备上的应用效果不一致。因此，尽管现有的健康检测技术已经取得了一定的进展，但在实际应用中仍然面临着诸多挑战，需要进一步的研究和改进，以提高检测的准确性和适应性。
6、有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
1、本专利技术提供了一种基于生成模型算法的在线实时真空干泵异常检测方法，以改善上述技术问题中的至少一个。
2、本专利技术实施例提供了一种基于生成模型算法的在线实时真空干泵异常检测方法，其包含步骤s1至步骤s2。
3、s1、获取真空干泵运行时的特征数据。
4、s2、将所述特征数据输入预先训练好的异常检测模型，获取真空干泵的异常检测结果。其中，所述异常检测模型基于深度学习的生成模型算法构建。
5、所述异常检测模型通过步骤a1至步骤a7训练得到：
6、a1、获取多台宕机真空干泵的历史数据集。其中，所述历史数据集包含真空干泵的多个状态信息。
7、a2、对所述历史数据集进行预处理，获取样本数据集。
8、a3、根据所述样本数据集和异常标签，分别计算各个状态信息和异常标签的皮尔逊相关系数，并选取相关系数大于预设值的状态作为相关特征。
9、a4、从所述样本数据集中提取所述相关特征的数据，并进行等线分割，以获取训练集和测试集。
10、a5、基于深度学习生成模型算法构建待训练的异常检测模型，并根据所述训练集对所述待训练的异常检测模型进行训练。
11、a6、采用均方误差mse作为异常得分计算指标，计算训练集中生成数据与原始数据的异常得分，并以最大的异常得分作为异常阈值。
12、a7、将所述测试集输入训练后的模型然后计算测试集的均方误差mse，若均方误差mse超过所述异常阈值则判定为异常否则为正常，从而对模型进行测试，以获取所述预先训练好的异常检测模型。
13、在一个可选的实施例中，步骤a2具体包括步骤a21至步骤a25。
14、a21、对所述历史数据集进行第一插帧处理，以将不同状态信息之间的采样频率补全至一致，获取第一插帧数据集。其中，第一插帧处理为用数据空缺时刻的前一时刻的数据补全空缺时刻的数据。
15、a22、对所述第一插帧数据集进行第二插帧处理，以补全空数据中的空白帧，获取第二插帧数据集。其中，第二插帧处理为用数据空缺时刻的前一时刻的数据补全空缺时刻的数据。
16、a23、根据真空干泵的宕机次数对第二插帧数据集进行分割，获取单次宕机运行数据集。
17、a24、对所述单次宕机运行数据集中的噪声数据进行去噪处理，获取去噪数据集。其中，所述去噪处理为将超过正常取值范围的数据视为噪声，用噪声数据时刻的前一时刻的数据代替噪声数据时刻的数据。
18、a25、对所述去噪数据集进行归一化处理，获取样本数据集。其中，所述归一化处理为最大最小归一化处理。归一化处理的公式为：,式中，为归一化后的数据、为归一化前的数据、为最小值、为最大值。
19、在一个可选的实施例中，步骤a3具体包括步骤a31至步骤a32。
20、a31、根据所述样本数据集和异常标签，分别计算各个状态信息和异常标签的皮尔逊相关系数。其中，皮尔逊相关系数的计算公式为：
21、。
22、式中，表示总体协方差、表示单个特征、为目标特征、表示的标准差、表示的标准差、表示第个特征的值、为的总体均值、表示表示第个特征对应的目标值、为的总体均值、表示特征总数。
23、a32、根据所述相关系数选取强相关性和/或中相关性的状态作为相关特征。其中，-0.1＜≤0或者0≤＜+0.1为无相关性，-0.3＜≤-0.1或者+0.1≤＜+0.3为弱相关性，-0.5＜≤-0.3或者+0.3≤＜+0.5为中相关性，-1≤≤-0.5或者+0.5≤≤+1为强相关性。
24、在一个可选的实施例中，所述多个状态信息包括设备型号、运行时间、运行状态、下泵电流、上泵电流、下泵功率、上泵功率、下泵转速、上泵转速、下泵温度、上泵温度、氮气流量和排气压力。
25、在一个可选的实施例中，所述相关特征包括设备型号、运行时间、运行状态、下泵功率、上泵功率、下泵温度、上泵温度、氮气流量和排气压力。其中，以所述相关特征作为所述特征数据。
26、在一个可选的实施例中，步骤a4具体包括步骤a41至步骤a43。
27、a41、从所述样本数据集中提取所述相关特征的数据。
28、a42、以一个小时为单位长度对提取到的数据进行等线分割，获取分割数据集。其中，每一个小时的数据作为一个时间块，时间块如果存在异常数据，则该时间块标记为异常数据。
29、a43、将所述分割数据集划分为训练集和测试集，并剔除训练集中的异常数据。其中，70%的样本作为训练集，30%的样本作为测试集。
30、在一个可选的实施例中，所述深度学习生成模型算法为生成对抗网络gan生成模型。
31、在一个本文档来自技高网...
【技术保护点】
1.一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，包含：
2.根据权利要求1所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，对所述历史数据集进行预处理，获取样本数据集，具体包括：
3.根据权利要求1所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，根据所述样本数据集和异常标签，分别计算各个状态信息和异常标签的皮尔逊相关系数，并选取相关系数大于预设值的状态作为相关特征，具体包括：
4.根据权利要求3所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，所述多个状态信息包括设备型号、运行时间、运行状态、下泵电流、上泵电流、下泵功率、上泵功率、下泵转速、上泵转速、下泵温度、上泵温度、氮气流量和排气压力；
5.根据权利要求1所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，从所述样本数据集提取所述相关特征的数据，并进行等线分割，以获取训练集和测试集，具体包括：
6.根据权利要求1至5任意一项所述的一种基于生成模型算法的在线实时真空干泵
7.根据权利要求6所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，采用均方误差MSE作为异常得分计算指标，计算训练集中生成数据与原始数据的异常得分，并以最大的异常得分作为异常阈值，具体包括：
...【技术特征摘要】
1.一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，包含：
2.根据权利要求1所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，对所述历史数据集进行预处理，获取样本数据集，具体包括：
3.根据权利要求1所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，根据所述样本数据集和异常标签，分别计算各个状态信息和异常标签的皮尔逊相关系数，并选取相关系数大于预设值的状态作为相关特征，具体包括：
4.根据权利要求3所述的一种基于生成模型算法的在线实时真空干泵异常检测方法，其特征在于，所述多个状态信息包括设备型号、运行时间、运行状态、下泵电流、上泵电流、下泵功率、上泵...
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。