[發明專利]基于無監督學習的傳感器故障檢測方法和裝置

有效

• 申請號: 202110596604.7
• 申請日: 2021-05-31
• 公開（公告）號: CN113255783B
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 陳海濤
• 申請（專利權）人: 湖南安存科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

1.一種基于無監督學習的傳感器故障檢測方法，其特征在于，所述方法包括：

獲取設置在待檢測位置的多個傳感器按時序輸出的時序數據；

提取所述時序數據中的時序特征，以及計算所述時序數據預設統計周期內連續發生跳變的最大次數和最大累計波動量；

將所述時序特征、連續發生跳變的最大次數以及最大累計波動量作為傳感器的特征集；

將所述特征集作為輸入，利用預先設置的無監督學習聚類算法對多個傳感器進行聚類，得到故障傳感器集合和非故障傳感器集合；

計算所述時序數據預設統計周期內連續發生跳變的最大次數，包括：

設置跳變閾值；

獲取所述時序數據的一階差分數組，將所述一階差分數組與所述跳變閾值進行比對，得到跳變比對結果；

提取所述時序數據的連續跳變布爾序列集合，根據所述跳變比對結果和所述連續跳變布爾序列集合，得到預設統計周期內連續發生跳變的最大次數；

計算所述時序數據預設統計周期內的最大累計波動量，包括：

獲取波動量統計步長；

根據所述時序數據的長度和所述波動量統計步長，統計所述時序數據相鄰數據的最大累計波動量。

2.根據權利要求1所述的方法，其特征在于，所述時序特征包括：平均值、5分位數、95分位數、最大跳變值、一階差分絕對和、時序數據復雜度和排列熵。

3.根據權利要求1至2任意一項所述的方法，其特征在于，所述無監督學習聚類算法包括：k-means、BIRCH、DBSCAN或GMM模型。

4.一種基于無監督學習的傳感器故障檢測裝置，其特征在于，所述裝置包括：

時序數據獲取裝置，用于獲取設置在待檢測位置的多個傳感器按時序輸出的時序數據；

特征提取模塊，用于提取所述時序數據中的時序特征，以及計算所述時序數據預設統計周期內連續發生跳變的最大次數和最大累計波動量；

特征集構建模塊，用于將所述時序特征、連續發生跳變的最大次數以及最大累計波動量作為傳感器的特征集；

故障檢測模塊，用于將所述特征集作為輸入，利用預先設置的無監督學習聚類算法對多個傳感器進行聚類，得到故障傳感器集合和非故障傳感器集合；

所述特征提取模塊還用于設置跳變閾值；獲取所述時序數據的一階差分數組，將所述一階差分數組與所述跳變閾值進行比對，得到跳變比對結果；提取所述時序數據的連續跳變布爾序列集合，根據所述跳變比對結果和所述連續跳變布爾序列集合，得到預設統計周期內連續發生跳變的最大次數；

所述特征提取模塊還用于獲取波動量統計步長；根據所述時序數據的長度和所述波動量統計步長，統計所述時序數據相鄰數據的最大累計波動量。

5.根據權利要求4所述的裝置，其特征在于，所述時序特征包括：平均值、5分位數、95分位數、最大跳變值、一階差分絕對和、時序數據復雜度和排列熵。

6.根據權利要求4至5任一項所述的裝置，其特征在于，所述無監督學習聚類算法包括：k-means、BIRCH、DBSCAN或GMM模型。