[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

本申請提供一種電機異常檢測方法、裝置、電子設備及存儲介質，用于改善難以識別電機的局部異常的問題。該方法包括：獲取待檢測電機的狀態時序數據，并將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上下文序列進行編碼，獲得編碼后的一維向量；使用神經網絡模型中的解碼器將編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣；使用神經網絡模型中的概率層根據均值向量和協方差矩陣建立多維高斯概率分布；根據多維高斯概率分布和待檢測目標狀態確定待檢測電機是否處于異常狀態。

技術領域

本申請涉及機器學習的技術領域，具體而言，涉及一種電機異常檢測方法、裝置、電子設備及存儲介質。

背景技術

電機(英文：Electric machinery，俗稱“馬達”)是指依據電磁感應定律實現電能轉換或傳遞的一種電磁裝置；電機是產品生產線的心臟，電機的狀態將對產線的正常運轉產生決定性的影響。

目前針對電機進行異常檢測的方法通常是，使用異常檢測算法對電機的當前狀態數據進行識別，此處的狀態數據包括但不限于：電機溫度、電機震動、鏈條震動和三相電流等等，此處的單點數據是指實時采集電機的當前時刻狀態數據；上述的異常檢測算法可以包括：最近鄰方法、局部離群因子(Local Outlier Factor，LOF)算法、主成分分析(Principal Component Analysis，PCA)算法或者孤立森林(Isolation Forest)算法等等。

在具體的實踐過程中發現，使用目前的異常檢測算法主要用于識別電機的全局異常，而難以識別電機的局部異常。

發明內容

本申請實施例的目的在于提供一種電機異常檢測方法、裝置、電子設備及存儲介質，用于改善難以識別電機的局部異常的問題。

本申請實施例提供了一種電機異常檢測方法，包括：獲取待檢測電機的狀態時序數據，并將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上下文序列進行編碼，獲得編碼后的一維向量；使用神經網絡模型中的解碼器將編碼后的一維向量進行解碼，獲得均值向量和協方差矩陣；使用神經網絡模型中的概率層根據均值向量和協方差矩陣建立多維高斯概率分布；根據多維高斯概率分布和待檢測目標狀態確定待檢測電機是否處于異常狀態。在上述的實現過程中，首先將狀態時序數據轉換為待檢測目標狀態和上下文序列，然后對上下文序列進行編碼和解碼，并根據獲得的均值向量和協方差矩陣建立多維高斯概率分布，最后根據待檢測目標狀態和多維高斯概率分布確定待檢測電機是否處于異常狀態；也就是說，通過對當前時刻狀態的上下文序列狀態進行編碼、解碼和多維高斯概率分布分析后，再確定待檢測電機是否處于異常狀態，有效地利用了當前時刻狀態的上下文序列的分布信息，從而改善難以識別電機的局部異常的問題，提高了對電機進行異常檢測的準確率。

可選地，在本申請實施例中，獲取待檢測電機的狀態時序數據，包括：獲取待檢測電機的狀態數據流；對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，獲得狀態時序數據。在上述的實現過程中，通過獲取待檢測電機的狀態數據流；對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，獲得狀態時序數據；有效地將實時采集且無窮無盡的狀態數據流轉換為一定長度的狀態時序數據，從而使得狀態數據更加容易存儲、轉發和處理等等，提高了數據處理的方便性和易用性。

可選地，在本申請實施例中，狀態時序數據包括：目標變量序列和協變量序列；將狀態時序數據轉換為待檢測目標狀態和上下文序列，包括：將目標變量序列分割為待檢測目標狀態和歷史目標狀態序列；根據歷史目標狀態序列和協變量序列生成上下文序列。在上述的實現過程中，通過將目標變量序列分割為待檢測目標狀態和歷史目標狀態序列；根據歷史目標狀態序列和協變量序列生成上下文序列；從而為建立多維高斯概率分布提供了上下文序列的基礎數據，從而改善難以識別電機的局部異常的問題，提高了對電機進行異常檢測的準確率。