【技术实现步骤摘要】
本专利技术属于深度学习、人工智能，具体涉及一种专故障敏感的自监督装备异常检测方法及系统。
技术介绍
1、对装备进行异常检测对于预防故障、提高安全性、降低维修成本、优化维护计划和改善生产效率具有重要作用。及时检测和分析装备异常情况，为装备的正常运行提供了保障，从而实现更可持续的生产和运营。
2、随着状态监测设备投资的增加，基于大规模训练数据驱动的方法在异常检测领域表现突出。然而，在现实安全生产的环境中装备故障发生极少，故障样本稀缺，这使得可用的训练数据集通常既不具有代表性，也不具有大规模性。同时，现有的异常检测算法通常忽略了数据中的异常不仅是由故障引起的，也是由运行环境的变化引起的。这些非关键因素会导致底层数据分布发生离散或连续的偏移。如果每次运行环境发生变化时都检测到故障，异常检测会引起许多误报，因此在实际运行中不具有可部署性。
3、因此，针对同时实现对非关键因素的不变性和对故障的敏感性，本专利技术提出一种专故障敏感的自监督装备异常检测方法及系统。
技术实现思路
1...
【技术保护点】
1.一种专故障敏感的自监督装备异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
3.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比特征学习模块选择ResNet1D网络作为主干架构，并引入残差连接。
4.根据权利要求1所述的专故障敏感的自监督装备异常检...
【技术特征摘要】
1.一种专故障敏感的自监督装备异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
3.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比特征学习模块选择resnet1d网络作为主干架构，并引入残差连接。
4.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，采用对比损失函数通过反向传播算法优化对比特征学习模块参数，完成对比特征学习模块的训练。
5.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，基于满足预设要求的特征表示进行健康状态阈值判定，获得装备异常检测结果的方法包括：
6.一种专...
【专利技术属性】
技术研发人员：毛昭勇，陈雪倩，沈钧戈，程博，王亦晨，
申请(专利权)人：西北工业大学，
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。