[發明專利]一種電機異常檢測方法、裝置、電子設備及存儲介質

有效

• 申請號: 202011342887.4
• 申請日: 2020-11-25
• 公開（公告）號: CN112462261B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 張發恩;周昌盛
• 申請（專利權）人: 創新奇智（廣州）科技有限公司
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 衡滔

1.一種電機異常檢測方法，其特征在于，包括：

獲取待檢測電機的狀態時序數據，并將所述狀態時序數據轉換為待檢測目標狀態和上下文序列；

使用神經網絡模型中的編碼器將所述上下文序列進行編碼，獲得編碼后的一維向量；

使用所述神經網絡模型中的解碼器將所述編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣；

使用所述神經網絡模型中的概率層根據所述均值向量和所述協方差矩陣建立多維高斯概率分布；

根據所述多維高斯概率分布和所述待檢測目標狀態確定所述待檢測電機是否處于異常狀態；

其中，所述編碼器是一維卷積神經網絡或者長短期記憶網絡，所述解碼器包括：第一全連接神經網絡和第二全連接神經網絡；所述使用神經網絡模型中的編碼器將所述上下文序列進行編碼，包括：使用所述一維卷積神經網絡或者所述長短期記憶網絡將所述上下文序列進行編碼；

所述使用所述神經網絡模型中的解碼器將所述編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣，包括：使用所述第一全連接神經網絡對所述編碼后的一維向量進行解碼，獲得所述均值向量；使用所述第二全連接神經網絡對所述編碼后的一維向量進行解碼，獲得所述協方差矩陣。

2.根據權利要求1所述的方法，其特征在于，所述獲取待檢測電機的狀態時序數據，包括：

獲取所述待檢測電機的狀態數據流；

對所述狀態數據流進行特征提取；

對提取的特征數據進行緩存處理，獲得所述狀態時序數據。

3.根據權利要求1所述的方法，其特征在于，所述狀態時序數據包括：目標變量序列和協變量序列；所述將所述狀態時序數據轉換為待檢測目標狀態和上下文序列，包括：

將所述目標變量序列分割為所述待檢測目標狀態和歷史目標狀態序列；

根據所述歷史目標狀態序列和所述協變量序列生成所述上下文序列。

4.根據權利要求1所述的方法，其特征在于，所述根據所述多維高斯概率分布和所述待檢測目標狀態確定所述待檢測電機是否處于異常狀態，包括：

計算所述待檢測目標狀態在所述多維高斯概率分布的概率密度的負對數；

判斷所述概率密度的負對數是否超出預設閾值；

若是，則確定所述待檢測電機處于異常狀態；

否則，則確定所述待檢測電機不處于異常狀態。

5.根據權利要求1-4任一所述的方法，其特征在于，在所述根據所述多維高斯概率分布和所述待檢測目標狀態確定所述待檢測電機是否處于異常狀態之后，還包括：

若所述待檢測電機處于異常狀態，則生成并輸出預警信息。

6.一種電機異常檢測裝置，其特征在于，包括：

數據獲取轉換模塊，用于獲取待檢測電機的狀態時序數據，并將所述狀態時序數據轉換為待檢測目標狀態和上下文序列；

編碼向量獲得模塊，用于使用神經網絡模型中的編碼器將所述上下文序列進行編碼，獲得編碼后的一維向量；

編碼向量解碼模塊，用于使用所述神經網絡模型中的解碼器將所述編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣；

高斯分布建立模塊，用于使用所述神經網絡模型中的概率層根據所述均值向量和所述協方差矩陣建立多維高斯概率分布；

電機異常確定模塊，用于根據所述多維高斯概率分布和所述待檢測目標狀態確定所述待檢測電機是否處于異常狀態；

其中，所述編碼器是一維卷積神經網絡或者長短期記憶網絡，所述解碼器包括：第一全連接神經網絡和第二全連接神經網絡；所述使用神經網絡模型中的編碼器將所述上下文序列進行編碼，包括：使用所述一維卷積神經網絡或者所述長短期記憶網絡將所述上下文序列進行編碼；

所述使用所述神經網絡模型中的解碼器將所述編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣，包括：使用所述第一全連接神經網絡對所述編碼后的一維向量進行解碼，獲得所述均值向量；使用所述第二全連接神經網絡對所述編碼后的一維向量進行解碼，獲得所述協方差矩陣。