一种基于预训练子带时频嵌入的设备无监督异常检测方法和计算机设备与流程
本发明属于工业设备异常检测,具体地说,本发明涉及一种基于预训练子带时频嵌入的设备无监督异常检测方法和计算机设备。
背景技术:
1、在轴承、电机、齿轮箱、泵、风机、机器人执行机构等旋转机械或机电设备中,振动信号能够反映设备运行状态。现有设备故障诊断方法通常包括基于人工特征的阈值判断、基于频谱特征的故障识别、基于支持向量机、随机森林、神经网络等模型的监督分类方法,以及基于重构误差、聚类或一类分类器的异常检测方法。
2、中国专利103743477b公开了一种机械故障检测诊断方法,其具体步骤为:在被检测机械设备上安装多个机械振动传感器;分别采集机械设备正常运转,以及在不同故障类型条件下运转的振动信号;生成机械故障检测的svm分类规则;对svm训练器进行训练,调整svm训练器的训练规则;通过振动传感器采集机械振动信号,并由svm分类器进行故障初步检测;应用多样本投票算法,对初步检测的结果进行投票分析,得到最终的故障检测结果。一种机械故障检测设备,其特征在于其包括svm训练器和多个机械振动信号采集传感器。
3、现有技术中监督故障分类方法通常依赖充足且准确标注的故障样本,而真实现场设备在上线初期往往只有正常运行数据,故障样本稀少且难以覆盖全部故障类型,对故障标签的依赖程度高。
技术实现思路
1、本发明旨在提供一种基于预训练子带时频嵌入的设备无监督异常检测方法和计算机设备,以达到在故障样本缺失或故障标签不足的情况下,通过设备正常运行数据检测故障的技术目的。
2、为了实现上述目的,本发明采取的技术方案为:
3、本发明提供一种基于预训练子带时频嵌入的设备无监督异常检测方法,包括以下步骤:
4、步骤一:采集设备振动信号数据和元数据;
5、步骤二:对采集的数据进行解析、质量校验和预处理;
6、步骤三:将振动信号转化为时频谱,并沿频率方向划分为多个子带时频片段;
7、步骤四:将各子带时频片段分别输入预训练的时频表征模型进行独立编码输出子带嵌入向量;
8、步骤五:将多个子带嵌入向量进行融合为整段振动信号的全局时频嵌入向量;
9、步骤六:对正常样本进行集合,提取正常样本的全局时频嵌入向量建立正常健康库;
10、步骤七:对正常健康库内部的正常样本计算邻域偏离分数,形成正常偏离分布;
11、步骤八:对待测样本提取全局时频嵌入向量,并计算其异常偏离评分;
12、步骤九:通过正常健康库的正常偏离分布对待测样本的异常偏离评分进行校准,并将异常偏离评分映射为健康度指标,输出样本状态信息。
13、步骤一中,采集的元数据包括设备编号、测点位置、轴向、数据类型、采样率或采样间隔、采集时间和工况标识。
14、步骤二中,质量校验步骤包括:判断振动信号的波形是否为空、是否为有效一维信号、采样配置是否有效以及信号长度是否满足时频分析要求。
15、步骤六中,在建库时,从同一设备、同一测点、同一轴向和相同采样配置下选取正常样本。
16、步骤六中,基于正常样本的全局时频嵌入向量建立正常健康库时,正常健康库保存正常样本的元数据,包括全局时频嵌入向量、样本来源、采样配置、设备和测点信息、模型版本、健康库版本和建库时间。
17、步骤八中,得到待测样本的全局时频嵌入向量后,根据待测样本的元数据匹配相应安全健康库,并在安全健康库中确定邻域样本集合,计算待测样本相对于邻域样本集合的异常偏离评分。
18、步骤八中,在检测时,系统采用与建库时相同的时频谱构建、子带划分、子带编码和全局融合方式处理待测样本。
19、步骤九中,将连续检测得到的样本的健康度和异常偏离评分按时间顺序存储,形成健康趋势序列。
20、步骤九中,将状态为异常的样本及其健康度、异常偏离评分、测点信息和维修反馈记录保存为异常样本库。
21、本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现上述的方法。
22、本发明的技术效果为:
23、(1)本发明能够在缺少故障样本或故障标签不完备的情况下,仅利用正常运行样本建立正常健康库,实现设备异常检测的冷启动。
24、(2)本发明通过频率子带时频嵌入方式对振动信号进行表征,使不同频率区域的局部振动模式能够被分别建模,相比直接使用原始波形或人工频谱特征,具有更强的表达能力。
25、(3)本发明按设备、测点、轴向、数据类型和采样配置建立专属健康库,减少不同测点、不同采样率或不同工况数据混用造成的误判。
26、(4)本发明基于待测样本相对于正常健康库邻域分布的偏离程度生成异常评分,不依赖具体故障类别标签,适合未知异常或早期异常发现。
27、(5)本发明利用健康库正常分布对异常评分进行校准,并输出健康度指标,使检测结果更便于现场运维人员理解和使用。
28、(6)本发明保留样本来源、模型版本、健康库版本、采样配置和检测结果等信息,便于检测过程追溯、结果复核和健康趋势分析。
29、(7)本发明可部署于本地服务器、边缘计算设备或云端平台,适用于轴承、电机、齿轮箱、泵、风机、工业机器人等多种设备振动健康监测场景。
1.一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤一中,采集的元数据包括设备编号、测点位置、轴向、数据类型、采样率或采样间隔、采集时间和工况标识。
3.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤二中,质量校验步骤包括:判断振动信号的波形是否为空、是否为有效一维信号、采样配置是否有效以及信号长度是否满足时频分析要求。
4.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤六中,在建库时,从同一设备、同一测点、同一轴向和相同采样配置下选取正常样本。
5.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤六中,基于正常样本的全局时频嵌入向量建立正常健康库时,正常健康库保存正常样本的元数据,包括全局时频嵌入向量、样本来源、采样配置、设备和测点信息、模型版本、健康库版本和建库时间。
6.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤八中,得到待测样本的全局时频嵌入向量后,根据待测样本的元数据匹配相应安全健康库,并在安全健康库中确定邻域样本集合,计算待测样本相对于邻域样本集合的异常偏离评分。
7.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤八中,在检测时,系统采用与建库时相同的时频谱构建、子带划分、子带编码和全局融合方式处理待测样本。
8.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤九中,将连续检测得到的样本的健康度和异常偏离评分按时间顺序存储,形成健康趋势序列。
9.如权利要求1所述的一种基于预训练子带时频嵌入的设备无监督异常检测方法,其特征在于:步骤九中,将状态为异常的样本及其健康度、异常偏离评分、测点信息和维修反馈记录保存为异常样本库。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现权利要求1至9中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com