一种模锻压机运行状态异常检测方法

摘要: 本发明涉及模锻压检测机,尤其涉及一种模锻压机运行状态异常检测方法。背景技术:1、模锻压机作为航空、航天及重型机械制造领域的核心成形装备,其运行状态的稳定性直接关...
一种模锻压机运行状态异常检测方法

本发明涉及模锻压检测机,尤其涉及一种模锻压机运行状态异常检测方法。

背景技术:

1、模锻压机作为航空、航天及重型机械制造领域的核心成形装备,其运行状态的稳定性直接关系到产品质量与生产安全。由于模锻压机长期处于正常工况下运行,实际生产中异常事件发生频率极低,导致异常样本极为稀疏,正负样本比例严重失衡。这一数据分布特性使得依赖大量标注异常样本的传统有监督异常检测方法难以获得充分的异常模式学习,模型易过拟合于正常样本或无法有效区分边界模糊的微弱异常,从而限制了其在工业现场的实用化部署。

2、更为复杂的是,模锻压机的异常模式在时序形态上呈现出显著的多尺度特征:一类为局部冲击型异常,表现为短时、高幅值的瞬态信号突变,通常由模具裂纹、紧固件松动等突发机械故障引发;另一类为整体漂移型异常,表现为长程、缓慢的趋势性偏移,常源于液压系统泄漏、润滑性能退化或热平衡失调等渐进性劣化过程。这两类异常分别对应短时局部与长程全局两种时间尺度,对特征提取模块提出了截然不同的感知需求:前者要求模型具备高分辨率的局部细节捕捉能力,后者则依赖于对长时序上下文的整体趋势建模能力。现有单一尺度的特征提取架构往往顾此失彼:若偏重局部感受野,则难以整合长程依赖以识别漂移型异常;若过度扩大感受野以覆盖全局信息,又可能平滑掉关键的瞬态冲击特征,导致漏检。

3、此外,即便采用无监督或半监督范式规避异常样本稀缺问题,当前主流方法,如基于自编码器或生成对抗网络的异常检测,在特征空间构建上仍存在结构性缺陷。例如,在深度支持向量数据描述(deep svdd)框架中,若网络设计不当,特征隐向量易向超球体中心塌缩,使所有样本映射至同一区域,丧失判别能力;而常规批归一化层在小批量或单类训练场景下统计量不稳定,进一步加剧了优化困难。同时,现有方法普遍缺乏针对多尺度异常模式的显式融合机制,仅靠堆叠卷积层或简单池化操作难以自适应地兼顾局部冲击与全局漂移两类异常的表征需求,导致检测灵敏度与鲁棒性难以同步提升。

4、因此,怎样才能在不依赖异常样本的前提下,实现对模锻压机异常的高灵敏、高鲁棒统一检测,成为目前亟待解决的问题。

技术实现思路

1、针对现有技术存在的上述不足,本发明的目的在于,提供一种模锻压机运行状态异常检测方法,能够在不依赖异常样本的前提下,实现对模锻压机异常的高灵敏、高鲁棒统一检测。

2、为了解决上述技术问题,本发明采用的技术方案是这样的:

3、一种模锻压机运行状态异常检测方法,包括以下步骤:

4、s1、从模锻压机的多维传感器时序数据中筛选出正常工况数据,并进行局部时序窗口重构,将二维时序数据矩阵重构为三维样本张量,得到由三维样本张量构成的训练集;

5、s2、将训练集的各三维样本张量输入特征提取模块,得到对应的特征隐向量并计算均值向量,作为超球体中心;

6、特征提取模块包括编码器和双轨池化融合单元;编码器采用结合因果卷积与扩张卷积的残差块结构,用于对三维样本张量进行特征编码得到时序特征张量;双轨池化融合单元用于对时序特征张量分别进行全局最大池化和全局平均池化,并将全局最大池化和全局平均池化的输出进行拼接后通过线性映射层进行映射,得到特征隐向量;特征提取模块中的所有卷积层和所述线性映射层均禁用偏置项,且使用组归一化替代批归一化,以消除超球体塌缩风险;

7、s3、使用深度支持向量数据描述目标函数对特征提取模块进行迭代训练,对特征提取模块的网络参数进行迭代优化;

8、深度支持向量数据描述目标函数以s2的超球体中心为参考点,以训练集中所有三维样本张量对应的特征隐向量到超球体中心的平均平方距离最小化为优化目标;且超球体中心在训练过程中不参与梯度更新;

9、s4、使用s3训练后的特征提取模块对训练集执行前向推理,得到各三维样本张量对应的特征隐向量到超球体中心的欧氏距离,作为相应的异常评分;基于各异常评分确定异常分类阈值;

10、s5、对待检测的模锻压机运行数据执行与s1相同的窗口重构处理,将重构后的每个三维样本张量输入s3训练后的特征提取模块得到对应的特征隐向量,并计算该特征隐向量到超球体中心的欧氏距离作为异常评分,若异常评分大于等于s4的异常分类阈值,则判定该窗口对应的模锻压机运行状态为异常,否则为正常。

11、与现有技术相比,本发明具有如下优点:

12、1、有效克服异常样本稀缺难题,提升模型训练可行性。针对模锻压机异常样本稀疏、正负样本严重失衡的问题,本方法仅利用正常工况数据构建训练集,采用深度支持向量数据描述(deep svdd)进行单类学习。与依赖大量标注异常数据的传统有监督方法相比,本方案彻底摆脱了对异常样本的依赖,避免了因负样本不足导致的过拟合或分类边界模糊问题,显著提升了模型在工业现场数据不平衡条件下的可训练性与实用性。

13、2、实现多尺度异常模式的统一表征,增强检测全面性。通过编码器中因果卷积与扩张卷积结合的残差块结构,配合双轨池化融合单元,本方法能够同时捕获短时局部冲击特征与长程全局漂移趋势。相较于现有技术中单一尺度特征提取架构难以兼顾两类异常形态的缺陷,本方案通过全局最大池化保留瞬态峰值信息、全局平均池化整合长时序上下文,并经线性映射融合,实现了对局部冲击型与整体漂移型异常模式的自适应多尺度覆盖,避免了漏检或误检。

14、3、消除超球体塌缩风险,保障特征空间判别力。在特征提取模块中禁用所有卷积层与线性映射层的偏置项,并以组归一化替代批归一化,从网络结构层面根除了深度svdd训练中常见的超球体塌缩隐患。与常规使用批归一化且保留偏置的网络相比,该设计避免了在小批量或单类训练场景下因统计量不稳定或参数冗余导致的特征隐向量向中心聚集现象,确保特征空间保持足够的区分度,使异常评分真实反映样本偏离程度。

15、4、固定超球体中心优化策略,提升训练稳定性与泛化能力。在训练过程中将超球体中心设为固定参考点且不参与梯度更新,仅以最小化正常样本特征到中心的平均平方距离为目标进行网络参数优化。相较于现有方法中中心随网络同步更新易引发优化震荡或陷入平凡解的问题,该策略使优化目标更聚焦于特征提取器本身的表达能力,增强了训练过程的收敛稳定性,并使所得决策边界更具泛化性,降低了对特定训练批次数据的敏感性。

16、综上,本方法可以在不依赖异常样本的前提下,实现对模锻压机异常的高灵敏、高鲁棒统一检测。

17、优选地,s1中,所述局部时序窗口重构中,滑动窗口长度设置为覆盖1.5至2个完整锻压行程的长度,滑动步长设置为16;对于二维时序数据矩阵,其中为采样后的序列长度,为核心变量数,经滑动窗口重构为三维样本张量,其中窗口数量的计算公式为:

18、。

19、这样的设置,通过行程周期导向的窗口长度设定与固定步长协同设计,确保每个重构窗口既完整包含一个典型锻压工况周期,避免截断关键动态过程,又保留足够时间重叠以捕捉状态演化连续性;同时,结合明确的窗口计数公式,可精准控制训练样本规模,在保障时序完整性与特征代表性的同时,避免因窗口过短导致模式失真或过长引入冗余干扰,显著提升后续异常检测模型对真实工况动态特性的建模fidelity与鲁棒性。

20、优选地,s2中,所述编码器由6个残差块堆叠构成,每个残差块包含两层扩张因果卷积,各层依次执行扩张因果卷积、组归一化与leakyrelu激活;第i个残差块的扩张因子为,其中;各残差块还包含残差连接,当残差块的输入变量数与输出变量数不同时,通过1×1卷积对输入进行变量映射后与主路输出逐元素相加,当变量数相同时,残差路径为恒等映射。

21、这样的设置,通过多级指数扩张因子的级联设计,使网络在有限层数内实现从局部瞬态到长程依赖的全覆盖感受野,精准匹配模锻压机局部冲击型与整体漂移型异常的双尺度时序特性;结合残差连接与可适配维度的1×1映射机制,在避免梯度消失的同时保障信息通路畅通,使深层网络仍能有效学习高阶非线性动态特征;而统一禁用偏置项与组归一化的配合,进一步抑制了特征塌缩风险,确保多尺度特征在深度编码过程中保持判别性与稳定性。

22、优选地,所述编码器中各残差块的输出通道数依次为32、64、128、256、256、256;所述编码器的卷积核大小k=3,6层残差块的理论总感受野f为:

23、;

24、其中,所述理论总感受野大于所述滑动窗口长度。

25、这样的设置,该通道配置与感受野设计协同实现了特征表达能力与时空建模能力的有机统一,为后续异常评分的可靠性提供了坚实的底层表征保障

26、优选地,s2中,所述双轨池化融合单元中,全局最大池化的输出和全局平均池化的输出分别为:

27、;

28、;

29、其中,为编码器输出的时序特征张量,为批次大小,256为特征维度,为窗口长度;表示所述时序特征张量在第t个时间步的特征向量;

30、将和在变量维度进行级联拼接后,经所述线性映射层压缩至64维,得到特征隐向量:

31、。

32、这样的设置,该双轨池化融合机制以简洁结构实现了多粒度时序信息的协同编码,为深度svdd框架下的高精度异常判别提供了高质量的低维特征输入。

33、优选地,s2中,所述超球体中心的确定方式为:以随机初始化的网络参数对所述训练集的全部三维样本张量分别执行一次前向传播,将得到的特征隐向量的均值向量作为所述超球体中心的初始值,其计算公式为:

34、;

35、其中,为训练集中第i个三维样本张量;为训练集中三维样本张量的数量;为随机初始化的网络参数下特征提取模块对输出的特征隐向量;

36、超球体中心在s3的整个训练过程中保持固定,不参与反向传播。

37、这样的设置,通过利用随机初始化网络对全量训练样本进行单次前向推理并取特征均值来设定超球体中心,使初始中心天然位于正常工况特征分布的几何重心附近,显著优于随机初始化或零中心等粗粒度设定;由于该中心在训练中冻结不动,既避免了中心漂移导致的模型不稳定,如因梯度更新使中心偏向异常样本,又迫使网络仅通过调整特征映射函数来压缩正常样本至紧致超球体内,从而强化了深度svdd框架下最小化正常样本离中心距离的优化目标一致性,提升异常检测的判别边界清晰度与泛化鲁棒性。

38、优选地,s3中,所述深度支持向量数据描述目标函数为hard-svdd,其表达式为:

39、;

40、其中,为训练集中第i个三维样本张量;为训练集中三维样本张量的数量;为网络参数下特征提取模块对输出的特征隐向量;为超球体中心;为权重衰减系数;为网络参数的frobenius范数平方和。

41、这样的设置,通过将目标明确设定为压缩正常样本特征至以为中心的紧致超球体内,并冻结中心,使优化过程完全聚焦于编码器映射能力的提升;hard-svdd采用平方l2距离而非软边界松弛,迫使网络对正常样本进行严格紧凑建模,显著增强对微小偏离的敏感性;结合权重衰减项,既抑制过拟合、提升泛化性,又防止特征映射过度收缩导致的特征塌缩,从而在保证模型简洁性的同时实现高判别力的异常边界构建。

42、优选地,s3中,采用adam优化器对所述特征提取模块进行端到端迭代训练,并采用余弦退火学习率调度策略,学习率随训练轮次的变化规律为:

43、;

44、其中,为初始学习率;为最小学习率;为总训练轮次。

45、这样的设置,该学习率调度策略以物理启发的平滑退火形式,实现了训练动态与模型优化目标的协同适配。

46、优选地,s4中,所述异常分类阈值采用准则确定,其计算公式为:

47、;

48、其中,为异常分类阈值;、分别为所述训练集中所有三维样本张量对应的异常评分的均值与标准差。

49、这样的设置,该阈值策略以统计稳健性与物理可解释性兼顾的方式,实现了从连续异常评分到二元决策的可靠映射。

50、优选地,s1中,所述多维传感器时序数据在进行局部时序窗口重构之前,先经过最小-最大归一化处理,将各变量数值统一映射至[0,1]区间。