[發明專利]一種軸承異常檢測方法及系統

有效

• 申請號: 202010046363.4
• 申請日: 2020-01-16
• 公開（公告）號: CN111275198B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 宿紅毅;閆波;孟繁庫;蘇猛猛;鄭宏
• 申請（專利權）人: 北京理工大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F18/23213;G06F18/214;G06F18/241;G01M13/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

本發明公開了一種軸承異常檢測方法及系統。該方法包括：獲取軸承加速度樣本數據；對加速度樣本數據進行預處理；采用自動編碼機挖掘預處理后的加速度樣本數據的特征數據；對各加速度樣本數據對應的特征數據進行聚類分析；根據聚類分析結果，確定正常特征數據和異常特征數據；以特征數據為樣本，以特征數據的正常或異常為標簽，對神經網絡進行訓練，得到神經網絡模型；獲取待檢測軸承加速度數據；對待檢測軸承加速度數據進行預處理；采用自動編碼機挖掘預處理后的待檢測軸承加速度數據的特征數據；將待檢測軸承加速度數據的特征數據輸入神經網絡模型，得到待檢測軸承加速度數據是否異常的結果。本發明能夠對軸承的異常與否進行直接地識別。

技術領域

本發明涉及異常檢測技術領域，特別是涉及一種軸承異常檢測方法及系統。

背景技術

異常檢測問題是機器學習中的一個應用，是分類問題的一個特殊應用。所謂異常事件，就是在樣本中非常稀少、難以預測的非預期事件，這些異常樣本一般不能有類似的特征，因此很難把這些事件分類到同一個類別之中。異常問題在樣本中的分布高度不均衡，并且異常的方式各不相同，不能加以分類。異常問題通常是一些當前知識不足以定義其類型，因此不會提供帶有已標記樣例的訓練集，所以異常檢測的問題往往使用無監督的方法建模，或者在只有正常樣例的訓練集上訓練機器學習模型，根據預測值和真實值之間的偏差來觸發異常。

對于軸承的異常檢測問題，由于異常數據的周期特征不明顯，并且數據噪聲比較多，因此，不能把所有的異常數據分類到一個類別中，進而為軸承的異常檢測帶來了很大的困難。

發明內容

本發明的目的是提供一種軸承異常檢測方法及系統，能夠對軸承的異常與否進行直接地識別。

為實現上述目的，本發明提供了如下方案：

一種軸承異常檢測方法，包括：

獲取軸承加速度樣本數據；

對所述加速度樣本數據進行預處理；

采用自動編碼機挖掘預處理后的加速度樣本數據的特征數據；

對各所述加速度樣本數據對應的特征數據進行聚類分析，得到分類結果；

根據分類結果，確定正常特征數據和異常特征數據；

以所述特征數據為樣本，以所述特征數據的正常或異常為標簽，對神經網絡進行訓練，得到神經網絡模型；

獲取待檢測軸承加速度數據；

對所述待檢測軸承加速度數據進行預處理；

采用所述自動編碼機挖掘預處理后的待檢測軸承加速度數據的特征數據；

將所述待檢測軸承加速度數據的特征數據輸入所述神經網絡模型，得到所述待檢測軸承加速度數據是否異常的結果。

可選的，所述對所述加速度樣本數據進行預處理，具體包括：

通過采用插值法對所述加速度樣本數據進行插值，以統一各所述加速度樣本數據的長度。

可選的，在所述通過采用插值法對所述加速度樣本數據進行插值之前，還包括：

獲取預設閾值n；

選取所述加速度樣本數據中第n個的數據之后的數據，作為新的加速度樣本數據。

可選的，所述采用自動編碼機挖掘的特征數據包括一個周期的軸承加速度特征數據以及剩余周期特有的特征數據。

可選的，所述對各所述加速度樣本數據對應的特征數據進行聚類分析，具體包括：

計算各所述特征數據之間的相似度，得到相似度矩陣；

根據所述相似度矩陣計算度矩陣和Laplace矩陣；