CN112766342A - 一种电气设备的异常检测方法 - Google Patents
一种电气设备的异常检测方法 Download PDFInfo
- Publication number
- CN112766342A CN112766342A CN202110034065.8A CN202110034065A CN112766342A CN 112766342 A CN112766342 A CN 112766342A CN 202110034065 A CN202110034065 A CN 202110034065A CN 112766342 A CN112766342 A CN 112766342A
- Authority
- CN
- China
- Prior art keywords
- multivariate time
- data set
- detection model
- anomaly
- time series
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电气设备的异常检测方法,包括步骤:获取电气设备的指标数据;利用指标数据,构建多元时间序列;将多元时间序列输入异常检测模型进行处理,生成包含多个异常分值的异常分值序列;基于异常分值序列,确定关于分值异常的阈值;基于异常分值和所述阈值,来确定电气设备是否异常。本发明还一并公开了训练生成相应的电气设备的异常检测模型的方法及相应计算设备。
Description
技术领域
本发明涉及设备监测技术领域,特别涉及一种电气设备的异常检测方法。
背景技术
随着社会经济的发展和工业在我国经济行业中的重要地位,工业***安全越来越受到人们的重视,工厂所需要的电气设备也越来越先进和多功能化。机组电气设备是整个工厂的重要组成部分,很大程度上保障了工厂的正常运行和设备安全。近年来,高参数、大容量机组随着我国工业的迅猛发展而不断涌现出来,生产过程中发生异常的原因越来越复杂,严重影响了工厂的安全性和经济性。
设备的异常检测是指,制定合理的计划,按照计划通过测量其电气量、机械量、热工量等参数、并结合历史数据和工作环境,进行设备工况分析,对设备的运行状态进行客观的评价。由于电气设备一旦发生故障往往容易造成整个生产进程的中断,导致的损失远超电气设备本身。所以做好电气设备的异常检测工作,为设备的可靠运行、检修安排以及后期的故障分析打好基础,对于企业的可靠经济生产具有重要的意义。
由于电气设备包括的设备和零部件种类繁多,这导致产生的异常也伴随着不同的表现:电压品质(过电压或欠电压,电压不平衡),谐波畸变(通常由电子整流***产生,在电机内引起标准的、负序的和正序的旋转磁场),功率因数、定子绕组匝间短路故障、转子条断裂、定/转子偏心、气隙不均、耦合器、轴承等故障,而这些异常会直接或间接地影响机组设备的正常运行。因此,设备的异常检测,尤其是在此场景下,电气设备的异常检测就显得格外重要。
基于此,需要一种新的电气设备的异常检测方案。
发明内容
为此,本发明提供了一种电气设备的异常检测方案,以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明的一个方面,提供了一种训练生成电气设备的异常检测模型的方法,包括步骤:获取所述电气设备的指标数据;利用指标数据,构建多元时间序列数据集;对多元时间序列数据集进行预处理,得到预处理后的多元时间序列数据集;利用预处理后的多元时间序列数据集,训练出异常检测模型。
可选地,在根据本发明的方法中,异常检测模型为基于变分贝叶斯的生成模型。
可选地,在根据本发明的方法中,异常检测模型由编码组件和解码组件相耦合生成。
可选地,在根据本发明的方法中,利用预处理后的多元时间序列数据集,训练出异常检测模型的步骤包括:处理后的多元时间序列数据集经由编码组件提取出特征信息;特征信息经由解码组件,重构出多元时间序列数据集;基于处理后的多元时间序列数据集和重构出的多元时间序列数据集,计算重构误差并调整编码组件和解码组件的网络参数,直到重构误差最小,训练完成,生成异常检测模型。
可选地,在根据本发明的方法中,编码组件和解码组件分别包含长短期记忆人工神经网络。
可选地,在根据本发明的方法中,重构误差通过计算针对重构的多元时间序列数据的第一指标和针对特征信息分布的第二指标来得到,其中,第一指标是由重构的多元时间序列数据集与所述特征信息所构成的条件概率;第二指标是用来衡量特征信息的分布的KL散度。
可选地,在根据本发明的方法中,对多元时间序列数据集进行预处理,得到预处理后的多元时间序列数据集的步骤包括:结合预设门限值及时频域图像,从多元时间序列数据集中识别出误信号;从多元时间序列数据集中筛除误信号,得到预处理后的多元时间序列数据集。
可选地,在根据本发明的方法中,指标数据至少包括以下数据中的一个或多个:电流信号、电压信号、峰值因子、电压偏差因子、三相平均电压。
可选地,根据本发明的方法还包括步骤:定期对所述异常检测模型进行参数更新。
根据本发明的另一方面,提供了一种电气设备的异常检测方法,包括步骤:获取电气设备的指标数据;利用指标数据,构建多元时间序列;将多元时间序列输入异常检测模型进行处理,生成包含多个异常分值的异常分值序列;基于异常分值序列,确定关于分值异常的阈值;基于异常分值和阈值,来确定电气设备是否异常,其中,异常检测模型通过执行如上所述的方法得到。
可选地,在根据本发明的方法中,基于异常分值和阈值,来确定电气设备是否异常的步骤包括:若异常分值大于阈值,则确定电气设备在对应时间段内正常;若异常分值不大于阈值,则确定电气设备在对应时间段内异常。
可选地,在根据本发明的方法中,基于异常分值序列,确定关于分值异常的阈值的步骤包括:利用极值理论,拟合广义帕累托分布;利用极大似然估计,估计广义帕累托分布中的参数;根据所估计的参数,确定阈值。
根据本发明的又一方面,提供了一种计算设备,包括:一个或多个处理器;存储器;和一个或多个程序,其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行如上所述方法中的任一方法的指令。
根据本发明的再一方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,该指令当计算设备执行时,使得计算设备执行如上所述的方法中的任一方法。
综上,根据本发明的方案,在构建和训练异常检测模型时,模型的输入为多元时间序列(即多个指标数据),通过将输入定义为多元时间序列,能够大大提高异常检测的效率,改善了过去利用统计过程控制方法(EWMA)时,需要单独对不同指标进行异常检测的缺陷。
另外,在训练异常检测模型时,获取大量的不同设备类型的电气设备的指标数据,由此构成多元时间序列数据集,以作为训练样本,使得训练出的异常检测模型具有很好的泛化性。并且,对所获取的多元时间序列数据集,先进行预处理,删除其中的误信号后,再输入到模型中进行训练,这样,模型能够很好地学习到不同设备类型在正常状态下的数据特征,进而能够检测出任何不符合正常状态变化的数据特征(如,缓慢劣化的异常点)。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明实施例的电气设备的异常检测***100的示意图;
图2示出了根据本发明的一个实施例的计算设备200的示意图;
图3示出了根据本发明一个实施例的训练生成电气设备的异常检测模型的方法300的流程图;
图4示出了根据本发明一个实施例的多元时间序列图的示意;
图5A和图5B分别示例性地示出了根据本发明一个实施例的编码组件和解码组件的示意图;
图6A和图6B分别示出了根据本发明一个实施例的编码组件和解码组件的单元结构示意图;
图7示出了根据本发明一个实施例的电气设备的异常检测方法700的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
目前行业内常用的异常检测方法主要是利用各种控制图来监测设备异常,其中最为常用且具有代表性的控制图就是EWMA控制图。虽然,EWMA控制图可以检测出在异常检测过程中的几乎任何大小的偏移,但是在电气设备的异常检测场景下,依然存在几点不足。第一,由于EWMA的原理是指数加权移动平均,对于缓慢变化的序列,EWMA的指数加权移动平均会将前期的缓慢变化趋势识别为正常的趋势,所以,对于缓慢劣化的电气设备,EWMA无法很好地识别出其异常表现。第二,EWMA控制图在电气设备的异常检测场景下泛化性能较弱,使用EWMA实现异常检测时,对于不同类型的电气设备,需要设计不同的检测方案。例如,对于变频冷却风机这样的变频设备,由于转频的频繁改变,设备的电流波形会表现为上下跳动的形态,如果直接利用EWMA控制图监测该序列,则会由于大量的跳点而产生大量的误报警。因此,要将这种数据应用至EWMA控制图,就需要将序列分成上下两部分进行监测,这就使得异常检测过程变得复杂繁琐。第三,EWMA控制图只能针单个指标序列进行检测,不能将所有指标序列统一检测,这样可能会导致在检测存在多个关联的指标时,只有某个指标产生了异常,这就需要专家结合几个指标综合判断,设备是否真正出现了异常。
针对EWMA控制图在电气设备异常检测场景下的几点不足,本发明实施例提出了一种异常检测方案。图1示出了根据本发明实施例的电气设备的异常检测***100的示意图。如图1所示,异常检测***100包括采集设备110和计算设备200。
采集设备110与电气设备相连,以采集电气设备的相关指标数据,例如电流信号、电压信号等,不限于此。
在一些实施例中,采集设备110可以是一个或多个传感器,例如,布置在电气柜中的三相电流传感器和三相电压传感器,分别获取电机运行时的三相电流和三相电压信号。其中,电机电流用环绕位于电机控制中心电源线或任何方便的电缆的电流传感器(CT)卡钳来感应,电压使用电压夹钳和引线连接到启动器的输出或其它方便的测点进行采样。
在另一些实施例中,除了布置在电气设备中的传感器之外,采集设备110还包括采集站,传感器将采集的指标数据传入采集站后,采集站通过边缘计算等方式来计算出其它指标数据,如峰值因子、电压偏差因子、三相平均电压等。关于采集设备计算指标数据的过程,本发明实施例并不做限制,任何已知或未来可知的计算电气设备的指标数据的方式,均可以与本发明实施例相结合。
采集设备110将所采集到的指标数据发送给计算设备200,由计算设备200对指标数据进行处理,最终得到关于电气设备是否异常的检测结果。计算设备200可以实现为服务器,例如应用服务器、Web服务器等;也可以实现为桌面电脑、笔记本电脑、处理器芯片、平板电脑等,但不限于此。
此外,计算设备200还可以利用预先获取的各类电气设备的各种指标数据,生成训练样本。再利用训练样本训练生成一个异常检测模型,以学习到不同设备类型在不同健康状况下的数据特征。
这样,在针对某个电气设备检测的过程中,只要将采集设备110所采集的多个指标数据同时输入到该异常检测模型中,就可以输出该电气设备的检测结果。
此外,由于电气设备的老化、工作环境变化等因素,电气设备的运行状态可能会随时间而产生变化,因此,计算设备200还会定期对异常检测模型进行微调优,以更新模型参数。
根据本发明的实施方式,异常检测***100中的计算设备200,可以通过如下所述的计算设备来实现。图2示出了根据本发明一个实施例的计算设备200的示意图。
如图2所示,在基本的配置202中,计算设备200典型地包括***存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和***存储器206之间的通信。
取决于期望的配置,处理器204可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与处理器204一起使用,或者在一些实现中,存储器控制器218可以是处理器204的一个内部部分。
取决于期望的配置,***存储器206可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。***存储器206可以包括操作***220、一个或者多个应用222以及程序数据224。在一些实施方式中,应用222可以布置为,在操作***上由一个或多个处理器204利用程序数据224执行指令。
计算设备100还包括储存设备132,储存设备132包括可移除储存器136和不可移除储存器138,可移除储存器136和不可移除储存器138均与储存接口总线134连接。
计算设备200还可以包括有助于从各种接口设备(例如,输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256,它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260,其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备200可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然,计算设备200也可以实现为小尺寸便携(或者移动)电子设备的一部分。
在根据本发明的实施例中,计算设备200被配置为执行根据本发明的训练生成电气设备的异常检测模型的方法、以及电气设备的异常检测方法。计算设备200的应用222中包含执行这些方法的多条程序指令。
图3示出了根据本发明一个实施例的训练生成电气设备的异常检测模型的方法300的流程示意图。应当了解,关于方法300的内容与前文所述的异常检测***100的内容互为补充。
如图3所示,方法300始于步骤S310。
在步骤S310中,获取电气设备的指标数据。
根据本发明的实施方式,指标数据由采集设备110传送到计算设备120。指标数据可以是由经由传感器直接获取的数据,如电流、电压;也可以是由采集设备通过边缘计算得到的数据,如峰值因子、电压偏差因子,本发明的实施例对此不做限制。
在一些实施例中,指标数据至少包括以下数据中的一个或多个:电流信号、电压信号、峰值因子、电压偏差因子、三相平均电压。此外,指标数据还可以包括以下数据中的一个或多个:加速度总值、高加速度总值、谐波总能量、谐波数量、1~3倍频总能量、4~n倍频总能量、等等。
随后在步骤S320中,利用指标数据,构建多元时间序列数据集。
在一些实施例中,针对某个电气设备,获取其相应的指标数据,而后,利用所获取的多个指标数据,生成多元时间序列。当电气设备的数量增多时,所生成的多元时间序列就构成了多元时间序列数据集。
在训练模型的过程中,为了增加模型的泛化能力,根据本发明的实施方式,获取大量的不同设备类型的电气设备的指标数据,由此构成多元时间序列数据集,以作为训练样本。
图4示出了根据本发明一个实施例的多元时间序列图的示意图。如图4所示,这是一个由6个指标数据所构成的多元时间序列图。其中,横坐标表示时间,纵坐标表示各指标对应的值。六个指标分别表示的是:加速度总值、高加速度总值、谐波总能量、谐波数量、1~3倍频总能量、4~n倍频总能量。
应当了解,在指标数据的获取阶段,多元时间序列通常采用波形图的方式来表示,如多元时间序列图,在后续利用多元时间序列进行模型训练时,需要将其转化为一个N维数组。如图4所示的六元时间序列图,就可以将其转化成一个六维数组,此处不再赘述。
随后在步骤S330中,对多元时间序列数据集进行预处理,得到预处理后的多元时间序列数据集。
传感器损坏、安装不正确,设备运行环境改变等原因,均会导致采集到的数据中存在误信号,由于误信号无法正确描述设备的运行状况,而且常常为异常检测带来误报警的结果。因此,在得到多元时间序列数据集之后,先对其进行预处理,即,将误信号剔除,得到预处理后的多元时间序列数据集;再利用预处理后的多元时间序列数据集进行模型的训练。
根据一种实施方式,通过识别并筛除误信号,得到预处理后的多元时间序列数据集。对误信号的判断通常会有两种方式:一是,基于歪度、峭度、总值等指标(这些指标数据,也可以经由步骤S210获取,此处不再赘述),对不同类型的误信号,设定不同的判定规则或是预设门限值;二是,基于时频域图像,通过深度学习方法来判断一段信号是否为误信号。在根据本发明的一种实施例中,将上述两种方式结合,即,结合预设门限值及时频域图像,从多元时间序列数据集中识别出误信号。之后,从多元时间序列数据集中筛除所识别出的误信号,就得到了预处理后的多元时间序列数据集。
根据另一种实施方式,除了将误信号识别并筛除,还需要判断启停机信号,以此来获取电气设备在启机状态下的多元时间序列(即,电气设备在运行时的指标数据),作为预处理后的多元时间序列数据集。在一种实施例中,基于聚类算法(如K-means),再结合专家定义的辅助指标以及门限矫正策略来确定门限,根据门限就可以识别出启机信号和停机信号。再基于启机信号和停机信号,确定电气设备的启机状态。最后,从多元时间序列数据集中筛选出启机状态下的多元时间序列,作为预处理后的多元时间序列数据集。
随后在步骤S340中,利用预处理后的多元时间序列数据集,训练出异常检测模型。
根据本发明的实施例,异常检测模型为基于变分贝叶斯的生成模型。在一个实施例中,异常检测模型由编码组件和解码组件相耦合生成。其中,编码组件包含长短期记忆人工神经网络(LSTM)和全连接层,解码组件也包含长短期记忆人工神经网络(LSTM)和全连接层。
图5A和图5B分别示例性地示出了编码组件和解码组件的示意图。
将处理后的多元时间序列数据集xt输入编码组件,经过LSTM和全连接层处理,提取出其中的特征信息,即隐变量zt。解码组件在获得隐变量zt后,将该特征信息zt作为解码组件的输入,同样经过LSTM和全连接层,重构出多元时间序列数据集,记作xt'。整个训练过程中,基于处理后的多元时间序列数据集xt和重构出的多元时间序列数据集xt',计算重构误差,并调整编码组件和解码组件的网络参数,直到重构误差最小,训练完成,生成异常检测模型。
在一个优选的实施例中,重构误差(即,损失函数)通过计算针对重构的多元时间序列数据集xt'的第一指标和针对特征信息分布的第二指标来得到。其中,第一指标是由重构的多元时间序列数据集xt'与特征信息zt所构成的条件概率,第二指标是用来衡量特征信息zt的分布的KL散度。重构误差可以表示为如下公式(1)(式中,表示L输入模型的序列长度):
其中第一部分log(pθ(xt-T:t'|zt-T:t))的条件概率(即,第一指标)表示的是通过特征信息zt重构xt',这一项的意义表示在特征信息zt的前提下最大化重构概率pθ(xt-T:t'|zt-T:t),即让输入和输出最大程度地相似,第二部分(即,第二指标)表示KL散度,是用来度量两个分布之间的相似程度。由于异常检测模型是基于VAE进行改进的,VAE模型中存在一个假设前提就是让提取到的特征信息zt服从一般的正态分布,第二部分的意义表示,让基于模型输入xt生成的zt的分布逼近假设的分布
更进一步地,图6A和图6B分别示出了根据本发明一个实施例的编码组件和解码组件的单元结构示意图。一个单元表示编码组件(或解码组件)中由一个xt编码后生成一个对应的zt(或由zt解码产生xt')的网络单元结构。
以下对两个网络组件应用到的原理和方法作简要说明。
第一,编码组件和解码组件使用LSTM在x空间捕获多元观测之间复杂的时间依赖性,这里主要利用了LSTM网络本身的特性,LSTM网络中的隐变量et能够捕捉xt以前的长时间的复杂时间信息。
第二,使用常用的表示学习变分算法VAE将观察值(即x空间中的输入观察值)映射到随机变量(即z空间)。
第三,为了显式地建模隐空间中随机变量之间的时间依赖性,该网络应用了随机变量连接技术(线性高斯状态空间模型连接随机变量,以及随机变量与LSTM隐藏变量的串联)。
对于编码组件,在时刻t时,将输入观测值xt和et-1(t-1时刻时LSTM中计算的隐藏变量)发送到LSTM网络中,生成下一个隐变量et(如公式(2))。然后et与zt-1连接进入全连接层,生成均值和标准差(如公式(3)和(4))。由于zt-1和et需要经过合并后一同输入全连接层,编码组件便是利用LSTM的这种循环递归性质,使得z空间变量具有时间上的依赖性。其中编码组件中各个变量的计算如下:
其中,公式(2)中的rt e和分别表示LSTM中的重置门和更新门机制,rt e决定如何将一个新的输入与前一个存储器(et-1)组合,表示更新门决定需要保留序列多少过去的信息。其中,rt e和均是将xt输入LSTM,乘以权重w再加上偏置项b后,再经过一个sigmoid激活函数得到。具体的计算方式见公式(5)和公式(6):
由于VAE的思想是通过假设p(Z|Xk)这个后验概率分布为正态分布,再从这个正态分布中随机抽样一个Zk(由于正态分布的可加性不难得出p(Z)服从正态分布),通过利用Zk重构Xk。因此,假设服从正态分布,就需要确定均值μ和方差σ2,在传统VAE中,便利用神经网络的方法去近似这两个参数。但是,在从μ和σ2到Zk的过程是一个采样的过程,这一步是无法求导的,所以在反向转播的过程中参数便无法利用梯度下降的方式优化,因此采用了一种重参数技巧,就是令Zk=μ+ε·σ,其中ε是服从标准正态分布的,这样,就能保证p(Z)服从正态分布,且整个网络可以通过反向传播进行优化求解。上述公式(3)和公式(4),就是在计算Zk=μ+ε·σ中μ和ε·μ的过程。
对于解码组件,利用zt重构xt'的网络结构和方式和编码组件类似。解码组件中通过利用线性高斯状态空间建模方法连接隐变量z来实现z之间的时间依赖性(如公式(7))。Oθ和Tθ分别是观测和转移矩阵,vt和εt分别是转移和观测的噪声。解码组件的计算和数据传递与编码组件类似,各关键节点的计算方式见公式(8)-公式(12):
zt=Oθ(Tθzt-1+vt)+εt (7)
至此,根据本发明实施例的异常检测模型就训练完成。在构建和训练异常检测模型时,模型的输入为多元时间序列(即多个指标数据),通过将输入定义为多元时间序列,能够大大提高异常检测的效率,改善了过去利用统计过程控制方法(EWMA)时,需要单独对不同指标进行异常检测的缺陷。
需要说明的是,此处仅示出了根据本发明一个实施例的异常检测模型的示例。在网络构架中,也可以使用生成对抗网络来替代VAE,构建异常检测模型,本发明的实施例对此不作限制。同时,在编码组件和解码组件中,也可以利用GRU、RNN、Transformers等来替代LSTM,能够达到同样的表现。
另外,从编码组件、解码组件的网络单元结构能够看出,异常检测模型很好地融合了随机循环神经网络方法和VAE。一方面,结合循环神经网络能够很好地学习到多元时间序列在时间上的依赖性以及在时间上的数据特征。另一方面,应用VAE思想能够很好地提取多元时间序列除了时间、趋势以外的特征信息。异常检测模型通过利用以上两个方法,除了能够识别时间依赖以及趋势等特征以外,通过VAE还能学习到EWMA等控制图不能识别的、多元时间序列趋势以外的图像特征,这就使得本异常检测模型能够很好地识别缓慢劣化的电气设备异常。
另外,本异常检测模型能够有效提高模型的泛化性能。一方面,深度学习模型的构建使得模型允许包含大量参数,并使用大量训练样本对模型进行拟合,大容量的数据集意味着模型能够学习到更多的数据特征和模式,能够更好地识别正常信号从而判断出异常信号。另一方面,结合VAE模型也意味着模型能够学习到夹带一定噪声的数据样本。
图7示出了根据本发明一个实施例的电气设备的异常检测方法700的流程示意图。如图7所示,方法700始于步骤S710。
在步骤S710中,获取电气设备的指标数据。
随后,在步骤S720中,利用指标数据,构建多元时间序列。
关于指标数据和多元时间序列的相关描述,可参考前文相关内容,此处不再赘述。
随后在步骤S730中,将多元时间序列输入异常检测模型进行处理,生成包含多个异常分值的异常分值序列。其中,异常检测模型通过执行方法300得到。
如前文所述,将N元时间序列转化为一个N维数组,输入异常检测模型中,异常检测模型在处理后,先判断出时间步t的观测序列是否异常;之后,针对N元时间序列中的各时间步,输出关于各时间步的观测序列是否异常的值。
假设,获取了4个指标数据,分别记作a,b,c,d,其对应的多元时间序列可以表示为如下的数组形式:
相应地,时间步t的观测序列即为:{at,bt,ct,dt},其中,t∈[1,2,...,n]。异常检测模型在经过处理后,输出该时间步t对应的异常分值St。
针对输入异常检测模型中的多元时间序列中各时间步,最终输出的异常分值也构成一个异常分值序列,记作{S1,S2,...,Sn}。
参考方法300中对异常检测模型的相关描述可知,异常检测模型在对多元时间序列进行处理时,取序列为xt-T:t,即令xt和在它之前的T个连续观测值作为输入来重构xt。再利用条件概率对数log(pθ(xt|zt-T:t))来评估模型的重构水平。该评估指标也被用来作为表征电气设备是否异常的异常分值,记为St,即St=log(pθ(xt|zt-T:t))。
根据本发明的实施方式,一个高的异常分值意味着输入xt能够被模型很好地重构,因为原模型学到的隐变量z,可以看成是正常序列的序列特征,因此可以认为xt与正常序列相似,也就是说一个观测值如果服从正常序列的特征模式,那么该段观测值在一个高的置信水平下就能够很好地被重构。相反,异常分值越小,观测值被重构的可能性就越小,就会有更大地概率认为该段观测值为异常。
故,在随后的步骤S740中,基于输出的异常分值序列,自适应地确定关于分值异常的阈值。
根据本发明的实施例,确定关于分值异常的阈值的过程如下。首先,利用极值理论(EVT)中的POT定理,来拟合一个广义帕累托分布(GDP)。之后,利用极大似然估计,估计该广义帕累托分布中的参数。最后,根据所估计的参数,确定关于分值异常的阈值。
在一种实施例中,拟合的分布可以用公式(13)来表示:
式(13)中,为累积概率分布函数,s指的横坐标,S为异常分值序列,参数β和γ分别表示广义帕累托分布的形状参数和规模参数。之后,通过累积概率分布函数可以得到概率密度函数,就可以通过极大似然估计,估计出参数β和γ。
在估计出参数后,利用估计出的参数β和γ,计算阈值。在一种实施例中,利用公式(14)确定阈值:
式中,th表示初始化阈值,其通常是基于得到的异常分数,根据经验设置的一个足够高的阈值,参数和分别表示估计得到的广义帕累托分布的形状参数和规模参数,其中q是通过观测得到的异常分值序列S<th的期望概率,N'表示观测数量,N′th表示满足Si<th的数量。
随后在步骤S750中,基于异常分值和阈值,来确定电气设备是否异常。
根据本发明的实施例,若异常分值大于阈值,则确定电气设备在对应时间段内正常;若异常分值不大于阈值,则确定电气设备在对应时间段内异常。
根据本发明的异常检测方法,在利用异常检测模型输出异常分值后,并不是直接根据预设门限值来判定电气设备是否异常,而是基于所输出的一系列异常分值(即,异常分值序列),能够自适应地确定针对本次检测的异常分值的阈值,有效提高了异常检测模型对异常检测的准确率。
综上,根据本发明的异常检测方案,具有如下优势:第一,基于随机循环神经网络,再结合变分自编码器(VAE),利用无监督的方法,能够很好地提取正常电压、电流时域信号的特征,基于此,在经过大量的不同设备的正常数据(即,预处理后的多元时间序列数据集)训练后的模型,能够很好地学习到不同设备类型在正常状况下的数据特征,进而有能力检测出缓慢劣化的异常点;第二,在经过异常检测模型输出异常分值后,通过异常分值序列自适应地计算出关于检测异常的门限值,也就是说,这个门限值针对每一次异常检测都是变化的,而不是一个固定值,使得异常检测结果更准确;第三,将多个指标数据同时输入到异常检测模型中,最后输出电气设备的异常分值,而不需要对每一条指标都进行一次计算。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中,或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明一并公开了:
A8、如A1-7中任一项所述的方法,其中,指标数据至少包括以下数据中的一个或多个:电流信号、电压信号、峰值因子、电压偏差因子、三相平均电压。
A9、如A1-8中任一项所述的方法,还包括步骤:定期对异常检测模型进行参数更新。
B11、如B10所述的方法,其中,基于异常分值和阈值,来确定电气设备是否异常的步骤包括:若异常分值大于阈值,则确定电气设备在对应时间段内正常;若异常分值不大于阈值,则确定电气设备在对应时间段内异常。
B12、如B10或11所述的方法,其中,基于异常分值序列,确定关于分值异常的阈值的步骤包括:利用极值理论,拟合广义帕累托分布;利用极大似然估计,估计广义帕累托分布中的参数;根据所估计的参数,确定阈值。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
此外,所述实施例中的一些在此被描述成可以由计算机***的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此,具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外,装置实施例的在此所述的元素是如下装置的例子:该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样,除非另行规定,使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例,并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种训练生成电气设备的异常检测模型的方法,所述方法包括步骤:
获取所述电气设备的指标数据;
利用所述指标数据,构建多元时间序列数据集;
对所述多元时间序列数据集进行预处理,得到预处理后的多元时间序列数据集;
利用所述预处理后的多元时间序列数据集,训练出异常检测模型。
2.如权利要求1所述的方法,其中,所述异常检测模型为基于变分贝叶斯的生成模型。
3.如权利要求1或2所述的方法,其中,所述异常检测模型由编码组件和解码组件相耦合生成。
4.如权利要求3所述的方法,其中,所述利用预处理后的多元时间序列数据集,训练出异常检测模型的步骤包括:
所述处理后的多元时间序列数据集经由所述编码组件提取出特征信息;
所述特征信息经由所述解码组件,重构出多元时间序列数据集;
基于所述处理后的多元时间序列数据集和重构出的多元时间序列数据集,计算重构误差并调整所述编码组件和所述解码组件的网络参数,直到所述重构误差最小,训练完成,生成异常检测模型。
5.如权利要求4所述的方法,其中,所述编码组件和所述解码组件分别包含长短期记忆人工神经网络。
6.如权利要求4或5所述的方法,其中,
所述重构误差通过计算针对重构的多元时间序列数据集的第一指标和针对特征信息分布的第二指标来得到,其中,
所述第一指标是由重构的多元时间序列数据集与所述特征信息所构成的条件概率;所述第二指标是用来衡量所述特征信息的分布的KL散度。
7.如权利要求1-6中任一项所述的方法,其中,所述对多元时间序列数据集进行预处理,得到预处理后的多元时间序列数据集的步骤包括:
结合预设门限值及时频域图像,从所述多元时间序列数据集中识别出误信号;
从所述多元时间序列数据集中筛除所述误信号,得到预处理后的多元时间序列数据集。
8.一种电气设备的异常检测方法,包括步骤:
获取电气设备的指标数据;
利用所述指标数据,构建多元时间序列;
将所述多元时间序列输入异常检测模型进行处理,生成包含多个异常分值的异常分值序列;
基于所述异常分值序列,确定关于分值异常的阈值;
基于所述异常分值和所述阈值,来确定所述电气设备是否异常,
其中,所述异常检测模型通过执行如权利要求1-7中任一项所述的方法得到。
9.一种计算设备,包括:
一个或多个处理器;
存储器;和
一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1-8所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行如权利要求1-8所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034065.8A CN112766342A (zh) | 2021-01-12 | 2021-01-12 | 一种电气设备的异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034065.8A CN112766342A (zh) | 2021-01-12 | 2021-01-12 | 一种电气设备的异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766342A true CN112766342A (zh) | 2021-05-07 |
Family
ID=75701549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110034065.8A Pending CN112766342A (zh) | 2021-01-12 | 2021-01-12 | 一种电气设备的异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766342A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221759A (zh) * | 2021-05-17 | 2021-08-06 | 北京文安智能技术股份有限公司 | 基于异常检测模型的道路遗撒识别方法以及装置 |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
CN113435258A (zh) * | 2021-06-06 | 2021-09-24 | 西安电子科技大学 | 转子***异常智能检测方法、***、计算机设备、终端 |
CN113656461A (zh) * | 2021-08-17 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113780238A (zh) * | 2021-09-27 | 2021-12-10 | 京东科技信息技术有限公司 | 多指标时序信号的异常检测方法、装置及电子设备 |
CN114676593A (zh) * | 2022-04-18 | 2022-06-28 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN115001997A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115456097A (zh) * | 2022-09-22 | 2022-12-09 | 国网四川省电力公司自贡供电公司 | 一种适用于高供低计专变用户的用电检测方法及检测终端 |
CN116146515A (zh) * | 2022-11-15 | 2023-05-23 | 安徽智质工程技术有限公司 | 一种水泥厂离心风机设备异常检测方法 |
CN117349478A (zh) * | 2023-10-08 | 2024-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合*** |
CN117688499A (zh) * | 2024-01-31 | 2024-03-12 | 成方金融科技有限公司 | 一种多指标异常检测方法、装置、电子设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-01-12 CN CN202110034065.8A patent/CN112766342A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (1)
Title |
---|
YA SU等: ""Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network"", 《SIGKDD EXPLORATIONS》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221759A (zh) * | 2021-05-17 | 2021-08-06 | 北京文安智能技术股份有限公司 | 基于异常检测模型的道路遗撒识别方法以及装置 |
CN113435258A (zh) * | 2021-06-06 | 2021-09-24 | 西安电子科技大学 | 转子***异常智能检测方法、***、计算机设备、终端 |
CN113435258B (zh) * | 2021-06-06 | 2024-04-23 | 西安电子科技大学 | 转子***异常智能检测方法、***、计算机设备、终端 |
CN113255835A (zh) * | 2021-06-28 | 2021-08-13 | 国能大渡河大数据服务有限公司 | 一种水电站泵类设备异常检测方法 |
CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
CN113312413B (zh) * | 2021-07-29 | 2021-10-29 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
CN113656461A (zh) * | 2021-08-17 | 2021-11-16 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113656461B (zh) * | 2021-08-17 | 2024-03-19 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113780238A (zh) * | 2021-09-27 | 2021-12-10 | 京东科技信息技术有限公司 | 多指标时序信号的异常检测方法、装置及电子设备 |
CN113780238B (zh) * | 2021-09-27 | 2024-04-05 | 京东科技信息技术有限公司 | 多指标时序信号的异常检测方法、装置及电子设备 |
CN115001997B (zh) * | 2022-04-11 | 2024-02-09 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
CN115001997A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
CN114676593B (zh) * | 2022-04-18 | 2023-05-23 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN114676593A (zh) * | 2022-04-18 | 2022-06-28 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
CN115412455B (zh) * | 2022-07-28 | 2023-12-19 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115456097A (zh) * | 2022-09-22 | 2022-12-09 | 国网四川省电力公司自贡供电公司 | 一种适用于高供低计专变用户的用电检测方法及检测终端 |
CN116146515A (zh) * | 2022-11-15 | 2023-05-23 | 安徽智质工程技术有限公司 | 一种水泥厂离心风机设备异常检测方法 |
CN117349478A (zh) * | 2023-10-08 | 2024-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合*** |
CN117349478B (zh) * | 2023-10-08 | 2024-05-24 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合*** |
CN117688499A (zh) * | 2024-01-31 | 2024-03-12 | 成方金融科技有限公司 | 一种多指标异常检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
US11927609B2 (en) | Condition monitoring via energy consumption audit in electrical devices and electrical waveform audit in power networks | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
WO2017116627A1 (en) | System and method for unsupervised prediction of machine failures | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
CN117036732A (zh) | 一种基于融合模型的机电设备检测***、方法及设备 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及*** | |
Xu et al. | Deep transfer learning remaining useful life prediction of different bearings | |
CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
Scheffel et al. | Data confidence applied to wind turbine power curves | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、***及设备 | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及*** | |
Liu et al. | Bearing fault diagnosis analysis based on improved adaptive search algorithms and SVMs | |
CN115392436A (zh) | 基于集成深度生成模型的变电站设备故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
RJ01 | Rejection of invention patent application after publication |