[發(fā)明專利]一種融合時序關系的機械設備集成同類異常檢測方法

在審

• 申請?zhí)枺?/td>: 202210961877.1
• 申請日: 2022-08-11
• 公開（公告）號: CN115293209A
• 公開（公告）日: 2022-11-04
• 發(fā)明（設計）人: 劉彈;董成佳;張克煜;支淵
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G07C3/00
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賀建斌

1.一種融合時序關系的機械設備集成同類異常檢測方法，其特征在于：將提取時序關系的長短時記憶網絡模塊和提取頻域特征的全卷積網絡模塊進行組合構建集成長短時記憶-全卷積(LSTM-FCN)網絡模型，并且根據Bagging集成模型迭代生成多個基分類器，從而完成對無標簽監(jiān)測數據的分類判斷；

所述的一種融合時序關系的機械設備集成同類異常檢測方法，包括以下步驟：

1)用集成長短時記憶-全卷積(LSTM-FCN)網絡模型進行機械設備異常檢測時，先獲取異常樣本數據集合P和無標簽樣本數據集合U；

2)對無標簽樣本集合U進行隨機均勻采樣，生成無標簽樣本子集U_t視為正常樣本集合，并且該子集大小和異常樣本數據集合大小一致；

3)組合P和無標簽樣本子集U_t生成訓練集合，作為集成長短時記憶-全卷積(LSTM-FCN)網絡模型的訓練數據進行訓練，得到一個分類器；

4)獲得該次采樣時均未被采樣到的數據稱為包外數據U_oob＝U-U_t；

5)將包外數據U_oob輸入訓練好的分類器得到本次預測分類概率s(x)；

6)循環(huán)步驟2)-5)進行T次采樣，最終獲得T個分類器，對每個樣本在T個分類器的預測分類概率s(x)進行累加并平均得到最終分類概率；

7)如果最終分類概率大于0.5，判定為異常樣本，否則為正常樣本。

2.根據權利要求1所述的方法，其特征在于：所述的長短時記憶網絡模塊由多層長短時記憶網絡基本單元堆疊組成，長短時記憶網絡基本單元通過門結構保存長時記憶特征，長短時記憶網絡基本單元由遺忘門、輸入門、輸出門和細胞狀態(tài)組成。

3.根據權利要求1所述的方法，其特征在于：所述的全卷積網絡模塊由卷積層、批正則層BN和Relu函數組成的基本網絡結構堆疊組成，其中卷積層的輸出為對稱且非稀疏的分布，批正則層BN則用于加快網絡的訓練和收斂速度、控制梯度爆炸以防止梯度消失，同時防止過擬合，最后添加Relu函數用于增加網絡各層之間的非線性關系。