[發明專利]一種基于T-SNE的電機異常檢測集成算法

有效

• 申請號: 202011409302.6
• 申請日: 2020-12-04
• 公開（公告）號: CN112697268B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 劉衛星;韓澤文;陳立秋;邵文娟;仇志福;毛廣新;別林;田靜
• 申請（專利權）人: 佳木斯電機股份有限公司
• 主分類號: G01H17/00
• 分類號: G01H17/00;G06K9/00;G06K9/62
• 代理公司: 北京天奇智新知識產權代理有限公司 11340
• 代理人: 陳新勝

本發明提供了一種基于T?SNE的電機異常檢測集成算法，屬于電機異常檢測領域。本發明一種基于T?SNE的電機異常檢測集成算法針對旋轉設備的振動數據，只采用設備自身的正常樣本，通過基于T?SNE的方法進行對樣本進行降維，然后使用離異值檢測的方法進行多維度集成化的異常檢測，從而建立了一套可以穩定使用的商用異常檢測方法。本發明相比于其他發明，訓練時只需要設備自身的正常數據即可建模，不需要刻意去采集異常樣本。且本發明不需要針對不同的數據提取不同的關鍵特征或設定不同的閾值，只需要采集少量該設備的正常數據進行分析，從而達到對所有設備的異常檢測都有較高的準確率。

技術領域

本發明涉及一種基于T-SNE的電機異常檢測集成算法，屬于電機異常檢測領域。

背景技術

電機的預測性維護是一種新興的維修方式，它能根據電機的歷史狀態，預測電機狀態未來的發展趨勢，使維護人員有充足的時間應對即將發生的問題，減少因電機失效帶來的損失。

目前電機的狀態監測可以依靠監測電流、電壓、磁場、振動、溫度、聲音等信號，根據之前采集的狀態信號建立規則或者模型，當新狀態信號被采集時判斷電機是否有發生故障的趨勢，這一項技術被稱為異常檢測。

專利“CN109236587B一種用于檢測風力發電機異常工作的報警系統”，公布了一種基于聲音信號的故障監測方式。首先，對采集的聲音信號進行去噪處理；然后，將處理后的聲音信號進行多層小波分解，對每層小波進行規定的閾值處理，得到各分解層的估計值；最后，將各層估計值進行小波重構。將重構后的信號提取特征與數據庫中的特征進行對比，進行異常判斷。這種方法的缺點是準確率對提取的特征要求很高，如果特征提取有誤，準確率會大大下降。

專利“CN110705456A一種基于遷移學習的微型電機異常檢測方法”，基于振動信號的異常檢測方法。該專利主要針對微型直流齒輪減速電機，設計了一套小樣本異常檢測方法。首先，將采集到的振動信號轉化為二維功率譜矩陣；然后，使用在ImageNet上預訓練的AlexNet網絡對正常數據去進行finetune，從而提高了異常檢測的準確率。這種方法使用神經網絡自動提取了特征，但是訓練出來的網絡會受訓練樣本的影響，無法擁有穩定的泛化性。

目前行業內使用的異常檢測方法分為兩類。一類是運用所學的信號知識建立物理模型通過閾值對比；另一類使用大規模的神經網絡去進行遷移學習。前者的缺點是準確率與提取的特征強相關和所選擇的閾值強相關，泛化性的穩定性往往不夠。而后者，使用的遷移學習會因為學習的小樣本不同或者基于的大樣本與工業數據差別太大等原因，所達到的泛化性不能滿足商用需求，且訓練需要正異常兩種樣本。

發明內容

本發明的目的是為了解決上述現有技術存在的問題，進而提供一種基于T-SNE的電機異常檢測集成算法。

本發明的目的是通過以下技術方案實現的：

一種基于T-SNE的電機異常檢測集成算法，所述基于T-SNE的電機異常檢測集成算法具體步驟為：

第一步，對所有的正常振動時域信號s1,s2,…,sn及待檢測振動信號st進行濾波；

第二步，對濾波得到的信號sf1，sf2,…,sfn,sft做EMD降噪處理；

第三步，對降噪得到的信號e1,e2,…,en,et做傅里葉變換，得到信號變換數據f1,f2,…,fn,ft；

第四步，將待檢測振動信號st與正常振動時域信號s1,s2,…,sn進行拼接處理，并定義st為sn+1，求取concatenate后的信號s1,s2,…,sn,sn+1各樣本之間的歐式距離矩陣M，M為(n+1)*(n+1)的方陣，其中Mij為si到sj的歐式距離；

第五步，使用T-SNE將數據f1,f2,…,fn維度降至m，則fi可以表示為x1,x2…,xm，其中i∈{1,2,…,n,t}；