CN108063698A - 设备异常检测方法和装置、程序产品及存储介质 - Google Patents
设备异常检测方法和装置、程序产品及存储介质 Download PDFInfo
- Publication number
- CN108063698A CN108063698A CN201711348423.2A CN201711348423A CN108063698A CN 108063698 A CN108063698 A CN 108063698A CN 201711348423 A CN201711348423 A CN 201711348423A CN 108063698 A CN108063698 A CN 108063698A
- Authority
- CN
- China
- Prior art keywords
- time
- domain data
- sliding window
- abnormal
- checked
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种设备异常检测方法和装置、程序产品及存储介质,其中方法包括:通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,进而确定待检测设备的时域数据中的异常时间段,从而通过对时间滑窗内的频域数据中各倍频的特征进行比对来确定时域数据中的异常时间段,实现自动检测,减少了工作量,提高了异常检测的准确性和异常检测效率。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种设备异常检测方法和装置、程序产品及存储介质。
背景技术
目前,物联网是指通过各种信息传感设备,实时采集任何需要监控、连接、互动的物体或过程等各种需要的信息,与互联网结合形成的一个巨大网络。物联网的目的是实现物与物、物与人,物和人与网络之间的连接,方便识别、管理和控制。因此,需要实时管理和监控物联网中各个设备的状态并检测设备是否出现异常。
目前,检测物联网中设备是否出现异常的方法主要是,获取各个设备的频谱图,将频谱图中的某些参数与对应的异常时参数进行比对,判断设备是否出现异常。上述异常检测方法,需要依靠人的经验对异常参数进行总结,工作量大,总结不够全面,导致异常检测准确性差,检测效率低,不适用于海量设备。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种设备异常检测方法,用于解决现有技术中物联网设备异常检测准确性差,效率低的问题。
本发明的第二个目的在于提出一种设备异常检测装置。
本发明的第三个目的在于提出另一种设备异常检测装置。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种设备异常检测方法,包括:
获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
进一步的,所述将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段,包括:
根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;
将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
进一步的,所述异常时间段为对应的频域数据存在异常的时间滑窗,或者时间滑窗内存在异常的时间区间。
进一步的,在所述异常时间段为对应的频域数据存在异常的时间滑窗的情况下,所述将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段之后,还包括:
针对所述时域数据中的每个时间区间,获取包括所述时间区间的多个时间滑窗;所述时间区间的长度等于所述时间滑窗每次滑动的步长;
获取所述多个时间滑窗中存在异常的时间滑窗的数量;
在所述数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定所述时间区间为存在异常的时间区间。
进一步的,所述获取待检测设备的时域数据之前,还包括:
获取初始的LSTM模型;
获取待检测设备的样本数据,所述样本数据包括:所述待检测设备的时域数据样本、所述时域数据样本中的异常时间段和非异常时间段;
采用所述样本数据对所述初始的LSTM模型进行训练,得到所述预设的LSTM模型。
本发明实施例的设备异常检测方法,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,进而确定待检测设备的时域数据中的异常时间段,从而通过对时间滑窗内的频域数据中各倍频的特征进行比对来确定时域数据中的异常时间段,实现自动检测,减少了工作量,提高了异常检测的准确性和异常检测效率。
为达上述目的,本发明第二方面实施例提出了一种设备异常检测装置,包括:
获取模块,用于获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
所述获取模块,还用于采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
变换模块,用于对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
输入模块,用于将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
进一步的,所述输入模块具体用于,
根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;
将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
进一步的,所述异常时间段为对应的频域数据存在异常的时间滑窗,或者时间滑窗内存在异常的时间区间。
进一步的,所述的装置还包括:确定模块;
在所述异常时间段为对应的频域数据存在异常的时间滑窗的情况下,所述获取模块,还用于针对所述时域数据中的每个时间区间,获取包括所述时间区间的多个时间滑窗;所述时间区间的长度等于所述时间滑窗每次滑动的步长;
所述获取模块,还用于获取所述多个时间滑窗中存在异常的时间滑窗的数量;
所述确定模块,用于在所述数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定所述时间区间为存在异常的时间区间。
进一步的,所述的装置还包括:训练模块;
所述获取模块,还用于获取初始的LSTM模型;
所述获取模块,还用于获取待检测设备的样本数据,所述样本数据包括:所述待检测设备的时域数据样本、所述时域数据样本中的异常时间段和非异常时间段;
所述训练模块,用于采用所述样本数据对所述初始的LSTM模型进行训练,得到所述预设的LSTM模型。
本发明实施例的设备异常检测装置,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,进而确定待检测设备的时域数据中的异常时间段,从而通过对时间滑窗内的频域数据中各倍频的特征进行比对来确定时域数据中的异常时间段,实现自动检测,减少了工作量,提高了异常检测的准确性和异常检测效率。
为达上述目的,本发明第三方面实施例提出了另一种设备异常检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的设备异常检测方法。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令被处理器执行时,实现如上所述的方法。
为达上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行一种设备异常检测方法,所述方法包括:
获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种设备异常检测方法的流程示意图;
图2为本发明实施例提供的另一种设备异常检测方法的流程示意图;
图3为时域数据的时间序列以及时间滑窗在时间序列上滑动的示意图;
图4为本发明实施例提供的一种设备异常检测装置的结构示意图;
图5为本发明实施例提供的另一种设备异常检测装置的结构示意图;
图6为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的设备异常检测方法和装置、程序产品及存储介质。
图1为本发明实施例提供的一种设备异常检测方法的流程示意图。如图1所示,该设备异常检测方法包括以下步骤:
S101、获取待检测设备的时域数据,时域数据表征待检测设备发送数据的时间序列;待检测设备为周期性发送数据的设备。
本发明提供的设备异常检测方法的执行主体为设备异常检测装置,设备异常检测装置具体可以为设置于物联网中的硬件设备,或者硬件设备中安装的软件等。
本实施例中,待检测设备可以为物联网中按照一定周期发送数据的信息传感设备,例如传感器等。传感器例如温度传感器、压力传感器等。信息传感设备一般是以一定的周期发送数据,若未按照一定的周期发送数据,例如一段时间段内未发送数据,或者某个周期漏发数据,则表示信息传感设备出现异常。待检测设备的时域数据可以为待检测设备发送数据的多个时间点组成的时间序列。以温度传感器为例,若温度传感器每秒发送一次数据,在温度传感器未出现异常时,温度传感器的时域数据可以为,由1时1分1秒、1时1分2秒、1时1分3秒、1时1分4秒等时间点组成的时间序列。若温度传感器出现异常,例如上述时间序列中少了1时1分2秒这个时间点,或者1时1分2秒这个时间点修改为1时1分2.1秒等,则通过本发明的设备异常检测方法可以检测到温度传感器出现异常,以及出现异常的时间段。需要说明的是,本发明提供的设备异常检测方法,适用于对周期性发送数据的设备的状态进行检测。
本实施例中,设备异常检测装置获取待检测设备的时域数据的方式可以为,直接从待检测设备获取时域数据,或者从物联网中存储有各设备的时域数据的硬件设备中获取。
S102、采用预设的时间滑窗在时间序列上滑动,获取每个时间滑窗内的时域数据。
本实施例中,时间滑窗的步长需要远远小于时间序列的步长,如小于时间序列的步长的五十分之一。例如,在时间序列包括N个时间点,也就是说,时间序列的步长为N的情况下,时间滑窗的步长M需要远远小于N。
S103、对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;频域数据中包括:至少一种倍频的幅值和相位。
本实施例中,频域数据包括:各个频率以及对应频率上的幅值和相位。在时域数据对应的波形为正弦波,且正弦波的频率为第一频率时,对时间滑窗内的时域数据进行变换,得到的频域数据在第一频率上幅值为非零值,而在其他频率上幅值为零值。在时域数据为步骤101中提到的温度传感器的时域数据时,该时域数据对应的波形不是单一的正弦波,而是由多个频率的正弦波组合而成,对时间滑窗内的该时域数据进行变换,得到的频域数据在多个频率上幅值为非零值。本实施例中,未出现异常的待检测设备的时域数据,以及出现异常的待检测设备的时域数据,对应的波形都是由多个频率的正弦波组合而成。但待检测设备的时域数据不同,则对应的频域数据不同,也就是说,幅值为非零值的频率不同,或者相同频率上的幅值不同,因此,对待检测设备的频域数据进行分析,就可以确定待检测设备是否出现异常。本实施例中提到的频域数据可以为上述提到的频域数据中的部分数据,例如特定频率上的幅值和相位,如0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位等。
其中,设备异常检测装置将每个时间滑窗内的时域数据变换得到频域数据的方法具体可以为,傅里叶变换、快速傅里叶变换、拉普拉斯变换等,此处不做具体限定,可以根据需要进行选择。
S104、将各个时间滑窗内的频域数据输入预设的LSTM模型,获取待检测设备时域数据中的异常时间段。
其中,预设的LSTM模型的输入可以为各个时间滑窗内的频域数据,输出可以为时间滑窗是否异常的判断结果。进一步的,步骤101之前,所述的方法还可以包括:获取初始的LSTM模型;获取待检测设备的样本数据,样本数据包括:待检测设备的时域数据样本、时域数据样本中的异常时间段和非异常时间段;采用样本数据对初始的LSTM模型进行训练,得到预设的LSTM模型。另外,需要说明的是,样本数据中还可以包括:时间滑窗的长度。
其中,异常时间段可以为异常的时间滑窗对应的时间段,或者时间滑窗内存在异常的时间区间。具体的,设备异常检测装置执行步骤104的过程具体可以为,根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取待检测设备时域数据中的异常时间段。
具体的,设备异常检测装置对初始的LSTM模型进行训练的过程具体可以为,(1)预先获取待检测设备的时域数据中的异常时间段和正常时间段;采用时间滑窗在时域数据的异常时间段上滑动,得到异常的时间滑窗;采用时间滑窗在时域数据的正常时间段上滑动,得到正常的时间滑窗,对各时间滑窗内的时域数据进行变换,得到异常频域数据以及正常频域数据。例如,对于相同的时间滑窗,正常频域数据中1倍频的幅值为N1,2倍频的幅值为N2,1倍频与2倍频的幅值之间的关系为N1/N2;而异常频域数据中1倍频的幅值为N3,2倍频的幅值为N4,1倍频与2倍频的幅值之间的关系为N3/N4;也就是说,对于相同的时间滑窗,正常频域数据中特定频率上的幅值和相位,与异常频域数据中特定频率上的幅值和相位是不相同的。(2)根据异常频域数据,获取异常频域数据中至少一种倍频的幅值序列和相位序列;根据正常频域数据,获取正常频域数据中至少一种倍频的幅值序列和相位序列;根据异常频域数据中至少一种倍频的幅值序列和相位序列,以及正常频域数据中至少一种倍频的幅值序列和相位序列对初始的LSTM模型进行训练,能够使得训练后的LSTM模型能够根据时间滑窗内的频域数据中的至少一种倍频的幅值序列和相位序列确定时间滑窗是否异常。
具体的,设备异常检测装置根据各个时间滑窗内的频域数据,确定待检测设备时域数据中的异常时间段的过程具体可以为,(1)根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;(2)将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取幅值或者相位具有异常的倍频,根据该倍频的幅值和相位确定来源于哪个时间滑窗,则将该时间滑窗确定为出现异常的时间滑窗,将待检测设备的时域数据中该时间滑窗对应的时间段确定为异常时间段。例如,LSTM模型既可以分析到单独一个数据,例如1倍频的幅值的变化,又可以对比相同时刻不同数据之间的关系,例如1倍频和2倍频幅值之间的关系,从而确定各种倍频的幅值序列和相位序列中具有异常的倍频,根据该倍频的幅值和相位确定存在异常的时间滑窗,进而确定异常时间段。
以下举例进行说明。假设待检测设备的时域数据为x1,x2,...,xN,x1,x2等为待检测设备发送数据的时间点,x1,x2,...,xN为待检测设备发送数据的多个时间点组成的时间序列。构造M步的时间滑窗,其中,M<<N,利用快速傅里叶变换(Fast FourierTransformation,FFT)对位于时间滑窗内的时域数据进行变换,提取频域数据,例如包括0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位。将时间滑窗向右滑动M/K步,其中,K可以为5、7、9等奇数,再次利用FFT将该时间滑窗内的时域数据转化为频域数据,提取幅值和相位特征。重复该过程,直到时间滑窗滑动到时域数据的末尾,从而可以得到多个时间滑窗内的幅值和相位。将各个时间滑窗内的0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位分别进行组合,得到8组数据,每组数据为一个序列,则8组数据为,0.5倍频的幅值序列、0.5倍频的相位序列、1倍频的幅值序列、1倍频的相位序列、2倍频的幅值序列、2倍频的相位序列、4倍频的幅值序列和4倍频的相位序列。将得到的8组数据作为输入数据输入长短期记忆网络模型(LongShort-Term Memory,LSTM)进行异常检测。
例如,假设待检测设备的时域数据的时间序列的步长为10000,即时域数据中包括10000个时间点;时间滑窗的步长为100,即时间滑窗中可以包括100个时间点;时间滑窗每次移动的步长为100/5=20,即每次移动20个时间点,则时间滑窗的滑动次数可以为(10000-100)/20=495次,时间滑窗的总数量可以为496个。对应的,每组数据中包括的数据量可以为496个,例如,0.5倍频的幅值序列中可以包括496个幅值。
本发明实施例的设备异常检测方法,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,进而确定待检测设备的时域数据中的异常时间段,从而通过对时间滑窗内的频域数据中各倍频的特征进行比对来确定时域数据中的异常时间段,实现自动检测,减少了工作量,提高了异常检测的准确性和异常检测效率。
图2为本发明实施例提供的另一种设备异常检测方法的流程示意图。如图2所示,在待检测设备频繁出现异常的情况下,检测得到的异常时间段可能为连续的较长的时间段,导致设备异常检测装置无法准确定位待检测设备发生异常的时间点,为了准确定位待检测设备发生异常的时间点或时间段,进一步提高设备异常检测的准确性和稳定性,在图1所示实施例的基础上,步骤104之后,所述的方法还可以包括以下步骤:
S105、针对时域数据中的每个时间区间,获取包括时间区间的多个时间滑窗;时间区间的长度等于时间滑窗每次滑动的步长。
其中,图3为时域数据的时间序列以及时间滑窗在时间序列上滑动的示意图。在图3中,时间序列的每个小段标识一个时间区间,每个时间滑窗包括5个时间区间,也就是说时间滑窗滑动的过程中,每次滑动的步长为一个时间区间。
S106、获取多个时间滑窗中存在异常的时间滑窗的数量。
例如,针对第五个时间区间,在时间滑窗滑动的过程中,包括该时间区间的时间滑窗为图3中的时间滑窗1、时间滑窗2、时间滑窗3、时间滑窗4和时间滑窗5。根据图1所示实施例中的步骤104中的异常时间段的位置,可以确定这5个时间滑窗是否出现异常,获取这5个时间滑窗中异常时间滑窗的数量,例如若时间滑窗1和时间滑窗2出现异常,而时间滑窗3、时间滑窗4和时间滑窗5未出现异常,则这5个时间滑窗中异常时间滑窗的数量为2。
S107、在存在异常的时间滑窗的数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定时间区间为存在异常的时间区间。
例如,假设预设比例为0.5。在上述例子中,包括第五个时间区间的时间滑窗总数量为5,其中异常时间滑窗的数量为2,则异常时间滑窗的数量与包括第五个时间区间的时间滑窗总数量的比值为0.4,而0.4小于0.5,则确定第五个时间区间为正常的时间区间。
若包括第五个时间区间的5个时间滑窗中,时间滑窗1、时间滑窗2、时间滑窗3出现异常,而时间滑窗4和时间滑窗5未出现异常,此时异常时间滑窗的数量与包括第五个时间区间的时间滑窗总数量的比值为0.6,而0.6大于0.5,则可以确定第五个时间区间为异常的时间区间。
本实施例中,针对各时间滑窗内的各时间区间,根据包括所述时间区间的各时间滑窗的状态,就可以确定所述时间区间是否异常,从而减小了出现异常的时间段的长度,避免检测得到的异常时间段可能为连续的较长的时间段,能够在待检测设备频繁出现异常的情况下准确定位待检测设备发生异常的时间点,进一步提高设备异常检测的准确性和稳定性。
本发明实施例的设备异常检测方法,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,针对各时间滑窗内的各时间区间,根据包括所述时间区间的各时间滑窗的状态,就可以确定所述时间区间是否异常,从而减小了出现异常的时间段的长度,避免检测得到的异常时间段可能为连续的较长的时间段,能够在待检测设备频繁出现异常的情况下准确定位待检测设备发生异常的时间点,进一步提高设备异常检测的准确性和稳定性。
图4为本发明实施例提供的一种设备异常检测装置的结构示意图。如图4所示,包括:获取模块41、变换模块42和输入模块43。
其中,获取模块41,用于获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
所述获取模块41,还用于采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
变换模块42,用于对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
输入模块43,用于将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
本发明提供的设备异常检测装置具体可以为设置于物联网中的硬件设备,或者硬件设备中安装的软件等。本实施例中,待检测设备可以为物联网中按照一定周期发送数据的信息传感设备,例如传感器等。传感器例如温度传感器、压力传感器等。信息传感设备一般是以一定的周期发送数据,若未按照一定的周期发送数据,例如一段时间段内未发送数据,或者某个周期漏发数据,则表示信息传感设备出现异常。待检测设备的时域数据可以为待检测设备发送数据的多个时间点组成的时间序列。以温度传感器为例,若温度传感器每秒发送一次数据,在温度传感器未出现异常时,温度传感器的时域数据可以为,由1时1分1秒、1时1分2秒、1时1分3秒、1时1分4秒等时间点组成的时间序列。若温度传感器出现异常,例如上述时间序列中少了1时1分2秒这个时间点,或者1时1分2秒这个时间点修改为1时1分2.1秒等,则通过本发明的设备异常检测方法可以检测到温度传感器出现异常,以及出现异常的时间段。需要说明的是,本发明提供的设备异常检测方法,适用于对周期性发送数据的设备的状态进行检测。
本实施例中,设备异常检测装置获取待检测设备的时域数据的方式可以为,直接从待检测设备获取时域数据,或者从物联网中存储有各设备的时域数据的硬件设备中获取。
本实施例中,频域数据包括:各个频率以及对应频率上的幅值和相位。在时域数据对应的波形为正弦波,且正弦波的频率为第一频率时,对时间滑窗内的时域数据进行变换,得到的频域数据在第一频率上幅值为非零值,而在其他频率上幅值为零值。在时域数据为步骤101中提到的温度传感器的时域数据时,该时域数据对应的波形不是单一的正弦波,而是由多个频率的正弦波组合而成,对时间滑窗内的该时域数据进行变换,得到的频域数据在多个频率上幅值为非零值。本实施例中,未出现异常的待检测设备的时域数据,以及出现异常的待检测设备的时域数据,对应的波形都是由多个频率的正弦波组合而成。但待检测设备的时域数据不同,则对应的频域数据不同,也就是说,幅值为非零值的频率不同,或者相同频率上的幅值不同,因此,对待检测设备的频域数据进行分析,就可以确定待检测设备是否出现异常。本实施例中提到的频域数据可以为上述提到的频域数据中的部分数据,例如特定频率上的幅值和相位,如0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位等。
其中,预设的LSTM模型的输入可以为各个时间滑窗内的频域数据,输出可以为时间滑窗是否异常的判断结果。进一步的,在上述实施例的基础上,所述的装置还可以包括:训练模块;
所述获取模块,还用于获取初始的LSTM模型;
所述获取模块,还用于获取待检测设备的样本数据,所述样本数据包括:所述待检测设备的时域数据样本、所述时域数据样本中的异常时间段和非异常时间段;
所述训练模块,用于采用所述样本数据对所述初始的LSTM模型进行训练,得到所述预设的LSTM模型。
其中,异常时间段可以为异常的时间滑窗对应的时间段,或者时间滑窗内存在异常的时间区间。具体的,所述输入模块43具体用于,根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
具体的,设备异常检测装置对初始的LSTM模型进行训练的过程具体可以为,(1)预先获取待检测设备的时域数据中的异常时间段和正常时间段;采用时间滑窗在时域数据的异常时间段上滑动,得到异常的时间滑窗;采用时间滑窗在时域数据的正常时间段上滑动,得到正常的时间滑窗,对各时间滑窗内的时域数据进行变换,得到异常频域数据以及正常频域数据。例如,对于相同的时间滑窗,正常频域数据中1倍频的幅值为N1,2倍频的幅值为N2,1倍频与2倍频的幅值之间的关系为N1/N2;而异常频域数据中1倍频的幅值为N3,2倍频的幅值为N4,1倍频与2倍频的幅值之间的关系为N3/N4;也就是说,对于相同的时间滑窗,正常频域数据中特定频率上的幅值和相位,与异常频域数据中特定频率上的幅值和相位是不相同的。(2)根据异常频域数据,获取异常频域数据中至少一种倍频的幅值序列和相位序列;根据正常频域数据,获取正常频域数据中至少一种倍频的幅值序列和相位序列;根据异常频域数据中至少一种倍频的幅值序列和相位序列,以及正常频域数据中至少一种倍频的幅值序列和相位序列对初始的LSTM模型进行训练,能够使得训练后的LSTM模型能够根据时间滑窗内的频域数据中的至少一种倍频的幅值序列和相位序列确定时间滑窗是否异常。
具体的,设备异常检测装置根据各个时间滑窗内的频域数据,确定待检测设备时域数据中的异常时间段的过程具体可以为,(1)根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;(2)将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取幅值或者相位具有异常的倍频,根据该倍频的幅值和相位确定来源于哪个时间滑窗,则将该时间滑窗确定为出现异常的时间滑窗,将待检测设备的时域数据中该时间滑窗对应的时间段确定为异常时间段。例如,LSTM模型既可以分析到单独一个数据,例如1倍频的幅值的变化,又可以对比相同时刻不同数据之间的关系,例如1倍频和2倍频幅值之间的关系,从而确定各种倍频的幅值序列和相位序列中具有异常的倍频,根据该倍频的幅值和相位确定存在异常的时间滑窗,进而确定异常时间段。
以下举例进行说明。假设待检测设备的时域数据为x1,x2,...,xN,构造M步的时间滑窗,其中,M<<N,利用快速傅里叶变换(Fast Fourier Transformation,FFT)对位于时间滑窗内的时域数据进行变换,提取频域数据,例如包括0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位。将时间滑窗向右滑动M/K步,其中,K可以为5、7、9等奇数,再次利用FFT将该时间滑窗内的时域数据转化为频域数据,提取幅值和相位特征。重复该过程,直到时间滑窗滑动到时域数据的末尾,从而可以得到多个时间滑窗内的幅值和相位。将各个时间滑窗内的0.5倍频的幅值和相位、1倍频的幅值和相位、2倍频的幅值和相位、4倍频的幅值和相位分别进行组合,得到8组数据,每组数据为一个序列,则8组数据为,0.5倍频的幅值序列、0.5倍频的相位序列、1倍频的幅值序列、1倍频的相位序列、2倍频的幅值序列、2倍频的相位序列、4倍频的幅值序列和4倍频的相位序列。将得到的8组数据作为输入数据输入长短期记忆网络模型(Long Short-Term Memory,LSTM)进行异常检测。
本发明实施例的设备异常检测装置,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,进而确定待检测设备的时域数据中的异常时间段,从而通过对时间滑窗内的频域数据中各倍频的特征进行比对来确定时域数据中的异常时间段,实现自动检测,减少了工作量,提高了异常检测的准确性和异常检测效率。
在待检测设备频繁出现异常的情况下,检测得到的异常时间段可能为连续的较长的时间段,导致设备异常检测装置无法准确定位待检测设备发生异常的时间点,为了准确定位待检测设备发生异常的时间点或时间段,进一步提高设备异常检测的准确性和稳定性,结合参考图5,在图4所示实施例的基础上,所述的装置还可以包括:确定模块44;
在所述异常时间段为对应的频域数据存在异常的时间滑窗的情况下,所述获取模块41,还用于针对所述时域数据中的每个时间区间,获取包括所述时间区间的多个时间滑窗;所述时间区间的长度等于所述时间滑窗每次滑动的步长;
所述获取模块41,还用于获取所述多个时间滑窗中存在异常的时间滑窗的数量;
所述确定模块44,用于在所述数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定所述时间区间为存在异常的时间区间。
其中,图3为时域数据的时间序列以及时间滑窗在时间序列上滑动的示意图。在图3中,时间序列的每个小段标识一个时间区间,每个时间滑窗包括5个时间区间,也就是说时间滑窗滑动的过程中,每次滑动的步长为一个时间区间。例如,针对第五个时间区间,在时间滑窗滑动的过程中,包括该时间区间的时间滑窗为图3中的时间滑窗1、时间滑窗2、时间滑窗3、时间滑窗4和时间滑窗5。根据图1所示实施例中的步骤104中的异常时间段的位置,可以确定这5个时间滑窗是否出现异常,获取这5个时间滑窗中异常时间滑窗的数量,例如若时间滑窗1和时间滑窗2出现异常,而时间滑窗3、时间滑窗4和时间滑窗5未出现异常,则这5个时间滑窗中异常时间滑窗的数量为2。
例如,假设预设比例为0.5。在上述例子中,包括第五个时间区间的时间滑窗总数量为5,其中异常时间滑窗的数量为2,则异常时间滑窗的数量与包括第五个时间区间的时间滑窗总数量的比值为0.4,而0.4小于0.5,则确定第五个时间区间为正常的时间区间。
若包括第五个时间区间的5个时间滑窗中,时间滑窗1、时间滑窗2、时间滑窗3出现异常,而时间滑窗4和时间滑窗5未出现异常,此时异常时间滑窗的数量与包括第五个时间区间的时间滑窗总数量的比值为0.6,而0.6大于0.5,则可以确定第五个时间区间为异常的时间区间。
本实施例中,针对各时间滑窗内的各时间区间,根据包括所述时间区间的各时间滑窗的状态,就可以确定所述时间区间是否异常,从而减小了出现异常的时间段的长度,避免检测得到的异常时间段可能为连续的较长的时间段,能够在待检测设备频繁出现异常的情况下准确定位待检测设备发生异常的时间点,进一步提高设备异常检测的准确性和稳定性。
本发明实施例的设备异常检测装置,通过采用预设的时间滑窗在待检测设备时域数据的时间序列上滑动,获取每个时间滑窗内的时域数据以及频域数据,将频域数据中至少一种倍频的幅值和相位输入预设的LSTM模型,比较相同倍频以及不同倍频之间的幅值和相位,确定存在异常的倍频,根据存在异常的倍频的幅值和相位,确定存在异常的时间滑窗,针对各时间滑窗内的各时间区间,根据包括所述时间区间的各时间滑窗的状态,就可以确定所述时间区间是否异常,从而减小了出现异常的时间段的长度,避免检测得到的异常时间段可能为连续的较长的时间段,能够在待检测设备频繁出现异常的情况下准确定位待检测设备发生异常的时间点,进一步提高设备异常检测的准确性和稳定性。
为了实现上述实施例,本发明还提出另一种设备异常检测装置,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器执行所述程序时实现上述实施例中提供的设备异常检测方法。
为了实现上述实施例,本发明还提供一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上所述的设备异常检测方法。
为了实现上述实施例,本发明还提供一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行一种设备异常检测方法,所述方法包括:
获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
图6示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图6显示的计算机设备72仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备72以通用计算设备的形式表现。计算机设备72的组件可以包括但不限于:一个或者多个处理器或者处理单元76,***存储器28,连接不同***组件(包括***存储器28和处理单元76)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备72典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备72访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器62。计算机设备72可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***64可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块32的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块32包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块32通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备72也可以与一个或多个外部设备74(例如键盘、指向设备、显示器54等)通信,还可与一个或者多个使得用户能与该计算机***/服务器72交互的设备通信,和/或与使得该计算机***/服务器72能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口52进行。并且,计算机设备72还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备72的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备72使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元76通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种设备异常检测方法,其特征在于,包括:
获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
2.根据权利要求1所述的方法,其特征在于,所述将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段,包括:
根据各个时间滑窗内的频域数据,生成至少一种倍频的幅值序列和相位序列;
将各种倍频的幅值序列和相位序列输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
3.根据权利要求1或2所述的方法,其特征在于,所述异常时间段为对应的频域数据存在异常的时间滑窗,或者时间滑窗内存在异常的时间区间。
4.根据权利要求1所述的方法,其特征在于,在所述异常时间段为对应的频域数据存在异常的时间滑窗的情况下,所述将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段之后,还包括:
针对所述时域数据中的每个时间区间,获取包括所述时间区间的多个时间滑窗;所述时间区间的长度等于所述时间滑窗每次滑动的步长;
获取所述多个时间滑窗中存在异常的时间滑窗的数量;
在所述数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定所述时间区间为存在异常的时间区间。
5.根据权利要求1所述的方法,其特征在于,所述获取待检测设备的时域数据之前,还包括:
获取初始的LSTM模型;
获取待检测设备的样本数据,所述样本数据包括:所述待检测设备的时域数据样本、所述时域数据样本中的异常时间段和非异常时间段;
采用所述样本数据对所述初始的LSTM模型进行训练,得到所述预设的LSTM模型。
6.一种设备异常检测装置,其特征在于,包括:
获取模块,用于获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
所述获取模块,还用于采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
变换模块,用于对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
输入模块,用于将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
7.根据权利要求6所述的装置,其特征在于,还包括:确定模块;
在所述异常时间段为对应的频域数据存在异常的时间滑窗的情况下,所述获取模块,还用于针对所述时域数据中的每个时间区间,获取包括所述时间区间的多个时间滑窗;所述时间区间的长度等于所述时间滑窗每次滑动的步长;
所述获取模块,还用于获取所述多个时间滑窗中存在异常的时间滑窗的数量;
所述确定模块,用于在所述数量与包括时间区间的时间滑窗总数量的比值大于预设比例时,确定所述时间区间为存在异常的时间区间。
8.一种设备异常检测装置,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的设备异常检测方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的设备异常检测方法。
10.一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行一种设备异常检测方法,所述方法包括:
获取待检测设备的时域数据,所述时域数据表征所述待检测设备发送数据的时间序列;所述待检测设备为周期性发送数据的设备;
采用预设的时间滑窗在所述时间序列上滑动,获取每个时间滑窗内的时域数据;
对每个时间滑窗内的时域数据进行变换,得到每个时间滑窗内的频域数据;所述频域数据中包括:至少一种倍频的幅值和相位;
将各个时间滑窗内的频域数据输入预设的LSTM模型,获取所述待检测设备时域数据中的异常时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711348423.2A CN108063698B (zh) | 2017-12-15 | 2017-12-15 | 设备异常检测方法和装置、及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711348423.2A CN108063698B (zh) | 2017-12-15 | 2017-12-15 | 设备异常检测方法和装置、及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108063698A true CN108063698A (zh) | 2018-05-22 |
CN108063698B CN108063698B (zh) | 2020-05-12 |
Family
ID=62139121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711348423.2A Active CN108063698B (zh) | 2017-12-15 | 2017-12-15 | 设备异常检测方法和装置、及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108063698B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
CN109034867A (zh) * | 2018-06-21 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 点击流量检测方法、装置及存储介质 |
CN109739720A (zh) * | 2018-12-04 | 2019-05-10 | 东软集团股份有限公司 | 异常检测方法、装置、存储介质和电子设备 |
CN110516659A (zh) * | 2019-09-10 | 2019-11-29 | 哈工大机器人(山东)智能装备研究院 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
CN110595525A (zh) * | 2019-09-03 | 2019-12-20 | 精英数智科技股份有限公司 | 一种监测井下传感器异常的方法、装置、***及介质 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111858680A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种快速实时检测卫星遥测时序数据异常的***与方法 |
CN111860569A (zh) * | 2020-06-01 | 2020-10-30 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的电力设备异常检测***及方法 |
CN113096670A (zh) * | 2021-03-30 | 2021-07-09 | 北京字节跳动网络技术有限公司 | 音频数据的处理方法、装置、设备及存储介质 |
CN114089033A (zh) * | 2022-01-24 | 2022-02-25 | 天津安力信通讯科技有限公司 | 一种基于频谱分析的异常信号检测方法及*** |
CN114731290A (zh) * | 2019-11-26 | 2022-07-08 | 国际商业机器公司 | 用于物联网中的隐私保护的异常检测的方法 |
CN115099371A (zh) * | 2022-08-24 | 2022-09-23 | 广东粤港澳大湾区硬科技创新研究院 | 一种lstm异常检测方法、装置、设备及存储介质 |
CN111291096B (zh) * | 2020-03-03 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 数据集构建方法、装置和存储介质及异常指标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202414914U (zh) * | 2011-12-27 | 2012-09-05 | 阳西县电梯配件有限公司 | 基于特征信号的电梯安全检测装置 |
CN105205112A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种时序数据异常特征的挖掘***及方法 |
US20170124478A1 (en) * | 2015-10-30 | 2017-05-04 | Citrix Systems, Inc. | Anomaly detection with k-means clustering and artificial outlier injection |
CN106933208A (zh) * | 2015-10-09 | 2017-07-07 | 费希尔-罗斯蒙特***公司 | 分布式工业性能监控和分析 |
CN107179476A (zh) * | 2017-06-08 | 2017-09-19 | 华北电力大学 | 一种配网故障测距方法 |
CN107361773A (zh) * | 2016-11-18 | 2017-11-21 | 深圳市臻络科技有限公司 | 用于检测、缓解帕金森异常步态的装置 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
-
2017
- 2017-12-15 CN CN201711348423.2A patent/CN108063698B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202414914U (zh) * | 2011-12-27 | 2012-09-05 | 阳西县电梯配件有限公司 | 基于特征信号的电梯安全检测装置 |
CN105205112A (zh) * | 2015-09-01 | 2015-12-30 | 西安交通大学 | 一种时序数据异常特征的挖掘***及方法 |
CN106933208A (zh) * | 2015-10-09 | 2017-07-07 | 费希尔-罗斯蒙特***公司 | 分布式工业性能监控和分析 |
US20170124478A1 (en) * | 2015-10-30 | 2017-05-04 | Citrix Systems, Inc. | Anomaly detection with k-means clustering and artificial outlier injection |
CN107361773A (zh) * | 2016-11-18 | 2017-11-21 | 深圳市臻络科技有限公司 | 用于检测、缓解帕金森异常步态的装置 |
CN107179476A (zh) * | 2017-06-08 | 2017-09-19 | 华北电力大学 | 一种配网故障测距方法 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
戴慧等: "多变量时间序列滑动窗口异常点的检测", 《南京信息工程大学学报(自然科学版)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960303B (zh) * | 2018-06-20 | 2021-05-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
CN109034867A (zh) * | 2018-06-21 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 点击流量检测方法、装置及存储介质 |
CN109034867B (zh) * | 2018-06-21 | 2022-10-25 | 腾讯科技(深圳)有限公司 | 点击流量检测方法、装置及存储介质 |
CN109739720A (zh) * | 2018-12-04 | 2019-05-10 | 东软集团股份有限公司 | 异常检测方法、装置、存储介质和电子设备 |
CN109739720B (zh) * | 2018-12-04 | 2022-08-02 | 东软集团股份有限公司 | 异常检测方法、装置、存储介质和电子设备 |
CN110595525A (zh) * | 2019-09-03 | 2019-12-20 | 精英数智科技股份有限公司 | 一种监测井下传感器异常的方法、装置、***及介质 |
CN110516659A (zh) * | 2019-09-10 | 2019-11-29 | 哈工大机器人(山东)智能装备研究院 | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 |
CN114731290B (zh) * | 2019-11-26 | 2023-01-06 | 国际商业机器公司 | 用于物联网中的隐私保护的异常检测的方法、***及计算机可读存储介质 |
CN114731290A (zh) * | 2019-11-26 | 2022-07-08 | 国际商业机器公司 | 用于物联网中的隐私保护的异常检测的方法 |
CN111178456B (zh) * | 2020-01-15 | 2022-12-13 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111291096B (zh) * | 2020-03-03 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 数据集构建方法、装置和存储介质及异常指标检测方法 |
CN111860569A (zh) * | 2020-06-01 | 2020-10-30 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的电力设备异常检测***及方法 |
CN111858680B (zh) * | 2020-08-01 | 2022-10-25 | 西安交通大学 | 一种快速实时检测卫星遥测时序数据异常的***与方法 |
CN111858680A (zh) * | 2020-08-01 | 2020-10-30 | 西安交通大学 | 一种快速实时检测卫星遥测时序数据异常的***与方法 |
CN113096670A (zh) * | 2021-03-30 | 2021-07-09 | 北京字节跳动网络技术有限公司 | 音频数据的处理方法、装置、设备及存储介质 |
CN113096670B (zh) * | 2021-03-30 | 2024-05-14 | 北京字节跳动网络技术有限公司 | 音频数据的处理方法、装置、设备及存储介质 |
CN114089033A (zh) * | 2022-01-24 | 2022-02-25 | 天津安力信通讯科技有限公司 | 一种基于频谱分析的异常信号检测方法及*** |
CN115099371A (zh) * | 2022-08-24 | 2022-09-23 | 广东粤港澳大湾区硬科技创新研究院 | 一种lstm异常检测方法、装置、设备及存储介质 |
CN115099371B (zh) * | 2022-08-24 | 2022-11-29 | 广东粤港澳大湾区硬科技创新研究院 | 一种lstm异常检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108063698B (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108063698A (zh) | 设备异常检测方法和装置、程序产品及存储介质 | |
Yan et al. | FGDAE: A new machinery anomaly detection method towards complex operating conditions | |
Trebuňa et al. | Experimental modal analysis performed by high-speed digital image correlation system | |
CN108196986A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
Evans et al. | Method for calculating self-noise spectra and operating ranges for seismographic inertial sensors and recorders | |
CN108734165A (zh) | 基于人工智能的书法质量检测方法、装置和电子设备 | |
CN101819252A (zh) | 一种模拟电路故障诊断方法 | |
CN107463482A (zh) | 确定指标关联性的方法及装置 | |
CN107969120A (zh) | 考虑周围接触的机器人的致动器的控制和调节 | |
Dindorf et al. | Test of measurement device for the estimation of leakage flow rate in pneumatic pipeline systems | |
Niedźwiecki et al. | System identification based approach to dynamic weighing revisited | |
CN110084137A (zh) | 基于驾驶场景的数据处理方法、装置和计算机设备 | |
Mei et al. | A model-less technique for the fault detection of rail vehicle suspensions | |
Kim et al. | Failure diagnosis system using a new nonlinear mapping augmentation approach for deep learning algorithm | |
Kamiński | Determination of transmission patterns in multichannel data | |
CN109163683B (zh) | 轨道波磨病害诊断方法与装置 | |
CN106093569A (zh) | 导航信号测量方法、***与导航设备在线诊断方法、*** | |
Csurcsia et al. | Frequency response function estimation for systems with multiple inputs using short measurement: A benchmark study | |
Chen et al. | Cumulative sum estimator for change-point in panel data | |
CN107562608A (zh) | 资源指标重要度评估方法及装置 | |
CN108548611A (zh) | 用于环境试验箱检测的多通道温度巡检方法及巡检仪 | |
Choi et al. | A MATLAB graphical user interface program for tomographic viscometer data processing | |
Savelsberg et al. | Virtual shaft: robust coupling by bidirectional and distributed prediction of coupling values | |
CN104461009A (zh) | 物体的测量方法和智能设备 | |
CN112924761B (zh) | 一种用于脉冲波形不确定度评定的方法和控制器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |