一种基于条件约束虚拟状态修复的工程机械异常检测方法

摘要: 本发明属于工程机械健康监测与智能运维,具体涉及一种基于条件约束虚拟状态修复的工程机械异常检测方法。背景技术:1、工程机械长期运行于矿山、港口、建筑施工及物料运输...
一种基于条件约束虚拟状态修复的工程机械异常检测方法

本发明属于工程机械健康监测与智能运维,具体涉及一种基于条件约束虚拟状态修复的工程机械异常检测方法。

背景技术:

1、工程机械长期运行于矿山、港口、建筑施工及物料运输等复杂作业环境,其发动机、液压系统、传动系统及电气系统等关键部件通常由多个传感器共同监测。发动机温度、冷却液温度、发动机转速、液压压力、机油压力、电池电压、振动强度及燃油消耗率等传感器数据能够从不同方面反映设备运行状态。通过对上述多源传感器时序数据进行分析,及时发现设备运行异常并确定与异常相关的主要异常因素,是实现工程机械故障预警和状态维护的重要基础。

2、工程机械在实际作业过程中存在频繁的工况变化,在挖掘、卸载、运输、怠速及行驶等不同运行状态下,同一传感器的正常取值范围及变化规律可能存在明显差异。同时,不同传感器之间并非相互独立,例如发动机转速变化可能同时引起燃油消耗、振动及液压压力等状态变化,其关联关系还会随运行工况发生改变。因此,仅根据单个传感器的数值大小或者固定正常范围进行异常判别,容易将正常工况变化引起的状态波动误判为设备异常。

3、现有工程机械异常检测方法通常采用固定阈值、统计特征、重构误差或基于神经网络得到的异常表征量进行状态判别。固定阈值及统计方法对不同运行工况下正常状态分布变化的适应能力有限;部分基于深度学习的方法虽然能够学习多传感器时序特征,但通常直接依据输入数据与预测结果或重构结果之间的偏差判断异常,对不同传感器之间随运行条件变化的动态关联关系利用不足。当设备工况发生变化时,正常状态本身产生的分布偏移可能造成异常表征量发生较大变化,从而影响检测结果的稳定性。

4、此外,在利用多传感器数据预测某一传感器正常状态时,若模型同时使用该目标传感器自身的当前状态信息,模型输出容易受到目标传感器当前观测值的直接影响。当该传感器已经发生异常时,其异常信息可能同时进入状态预测过程,使生成结果不能充分反映在其他传感器状态和当前运行条件约束下该目标传感器应具有的正常状态。因此,如何在不利用目标传感器自身当前状态信息的情况下,根据非目标传感器状态及运行条件建立传感器之间的关联关系,并据此获得目标传感器的参考正常状态,是复杂工况异常检测中需要解决的问题。

5、另一方面,仅比较传感器实际状态与参考状态之间的偏差,仍难以充分判断某一状态变化是否真正破坏了设备原有的多传感器关联关系。例如,某一传感器出现一定程度的数值偏移,但其与其他传感器之间的整体关联关系仍可能符合当前运行工况;相反,一些幅值变化并不明显的异常也可能导致多个传感器之间原有的关联关系发生破坏。因此,仅依赖单一状态偏离量难以同时反映传感器自身状态变化和多传感器关系变化。

6、此外,现有异常检测方法通常更加关注设备是否异常,而对于异常产生原因的进一步判断,多采用异常幅值、特征重要度或单一传感器异常程度进行排序,难以直接判断当某一传感器状态恢复至正常参考状态后,设备整体传感器关联关系是否得到改善。因此,对于复杂耦合的工程机械多传感器系统,还需要建立能够反映“目标传感器状态恢复后设备关联关系恢复程度”的评价方式,从而在实现异常检测的同时,为异常因素定位提供依据。

7、基于上述问题,有必要提出一种适用于复杂运行工况的工程机械多传感器异常检测方法,在运行条件约束下学习正常状态下不同传感器之间的动态关联关系,在生成目标传感器参考状态时排除其自身当前状态信息,根据非目标传感器状态及运行条件生成对应的虚拟健康状态,并通过实际状态与虚拟健康状态之间的状态偏离、传感器关系偏离以及虚拟状态修复后的关系恢复情况对设备运行状态进行综合判断,从而提高复杂工况下异常检测的准确性,并为异常因素定位提供依据。

技术实现思路

1、本发明的目的在于提供一种基于条件约束虚拟状态修复的工程机械异常检测方法,以解决现有技术中复杂工况下传感器正常状态分布随运行条件变化、多传感器之间动态关联关系难以准确刻画,以及仅依据单一状态偏离量或异常判别量难以同时兼顾异常检测与异常因素定位的问题。

2、实现本发明的技术解决方案为:一种基于条件约束虚拟状态修复的工程机械异常检测方法,包括以下步骤:

3、步骤1:基于多台工程机械的运行工况及周期时间信息,各工程机械均利用多个传感器进行数据采集,获取多源传感器时序数据,多源传感器时序数据包括各工程机械的运行状态数据;多源传感器时序数据均带有健康状态标签,将多源传感器时序数据中的样本分为包含工程机械正常运行状态的正常样本和包含工程机械异常运行状态的异常样本,对多源传感器时序数据按比例划分为训练集、验证集和测试集。

4、步骤2:对多源传感器时序数据进行状态视图构建,建立包含基础状态视图、差分状态视图、滚动波动状态视图以及工况鲁棒标准分状态视图的多视图状态表示。

5、步骤3:构建多传感器关系学习模型:

6、多传感器关系学习模型包括传感器状态编码模块、运行条件编码模块、条件约束学习模块以及虚拟状态生成模块。

7、选择第个传感器作为目标传感器,其他作为非目标传感器。

8、传感器状态编码模块将各传感器对应的多视图状态表示进行特征映射,并引入传感器类型编码区分不同物理测量对象,获得多传感器状态表示。

9、运行条件编码模块对包含工程机械运行工况及周期时间信息的运行条件数据进行时序编码,获得运行条件特征。

10、条件约束学习模块将非目标传感器状态与运行条件特征进行关系学习,获得第个目标传感器的关系上下文。

11、虚拟状态生成模块将第个目标传感器的关系上下文、运行条件特征以及目标传感器身份编码作为输入,获得第个目标传感器对应的虚拟健康状态。

12、步骤4:利用训练集和验证集对多传感器关系学习模型进行训练,得到训练好的多传感器关系学习模型:

13、s4-1、将训练集的正常样本输入多传感器关系学习模型,经传感器状态编码模块和运行条件编码模块分别获取正常样本的多传感器状态表示和运行条件特征;将正常样本的多传感器状态表示和运行条件特征输入条件约束学习模块和虚拟状态生成模块进行第一阶段训练,学习工程机械正常运行状态下不同传感器之间随运行条件变化的动态关联关系。

14、s4-2、冻结传感器状态编码模块、运行条件编码模块、条件约束学习模块以及虚拟状态生成模块的参数;利用训练集中全部样本对状态偏离表征量、传感器关系偏离表征量和虚拟状态修复一致性表征量的融合参数进行第二阶段训练,并根据验证集确定异常判别阈值,得到训练好的多传感器关系学习模型。

15、步骤5:将测试集输入训练好的多传感器关系学习模型,获得状态偏离表征量、传感器关系偏离表征量以及虚拟状态修复一致性表征量,将状态偏离表征量、传感器关系偏离表征量以及虚拟状态修复一致性表征量进行加权融合,获得虚拟状态修复一致性评价量,并将虚拟状态修复一致性评价量与异常判别阈值进行比较,确定工程机械是否处于异常状态。

16、步骤6:当工程机械被判定为异常状态时,根据各目标传感器的局部状态偏离贡献以及虚拟状态修复后的关系恢复贡献确定主要异常因素;当工程机械被判定为正常状态时,不进行异常因素定位,结束当前检测。

17、本发明与现有技术相比,其显著优点在于:

18、(1)通过将运行条件特征引入多传感器关系学习过程,使不同传感器之间的关联关系能够随工程机械运行工况变化进行调整,从而减小不同工况引起的正常状态变化对异常检测结果的影响。

19、(2)通过采用目标传感器独立关系构建方式,在生成目标传感器虚拟健康状态时去除其自身状态信息,并根据非目标传感器状态、运行条件特征以及目标传感器身份编码生成对应的虚拟健康状态;同时结合状态偏离、传感器关系偏离和虚拟状态修复一致性三类表征量进行异常判别,提高复杂工况下异常检测的准确性。

20、(3)通过逐一利用虚拟健康状态多视图表示替换目标传感器的实际多视图状态表示,并根据修复前后的关系恢复贡献和局部状态偏离贡献计算各目标传感器的异常因素贡献量,实现异常因素排序并确定主要异常因素,为后续故障排查和维护决策提供依据。