CN113110961B - 设备异常检测方法、装置、计算机设备及可读存储介质 - Google Patents
设备异常检测方法、装置、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN113110961B CN113110961B CN202110483955.7A CN202110483955A CN113110961B CN 113110961 B CN113110961 B CN 113110961B CN 202110483955 A CN202110483955 A CN 202110483955A CN 113110961 B CN113110961 B CN 113110961B
- Authority
- CN
- China
- Prior art keywords
- current data
- data
- detection
- training
- initial
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及计算机技术领域,特别是涉及一种设备异常检测方法、装置、计算机设备及可读存储介质,包括:获取初始电流数据以及待检测设备的工作状态数据,初始电流数据中包括待检测设备在多个工作状态下的电流数据;基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据;对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱;根据各包络谱,确定各工作电流数据的数据类型;获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。采用本方法能够提升设备异常检测准确性。本申请还涉及区块链技术领域,各数据均可以上传至区块链。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种设备异常检测方法、装置、计算机设备及可读存储介质。
背景技术
随着现代化工业要求的发展,对制造设备的加工要求越来越高。制造设备的运行是否正常直接影响着制造设备的加工效率以及加工速度。
在传统方式中,通常是通过制造设备自身携带的电流采集功能对制造设备在运行过程中的电流以较高的频率进行采集,并基于采集到的电流判断采集设备是否异常。
但是,在互联网条件下,需要通过外接的采集设备进行电流采集,基于对功耗的考虑,外接设备并不能实现对制造设备的运行电流进行高频率的采集,低频率采集到的数据为离散随机数据,并不能很好的用于设备检测,从而使得基于采集到的电流数据进行设备检测的准确性低,效果并不理想。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升设备异常检测准确性的设备异常检测方法、装置、计算机设备及可读存储介质。
一种设备异常检测方法,所述方法包括:
获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据;
基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据;
对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱;
根据各包络谱,确定各工作电流数据的数据类型;
获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
在其中一个实施例中,对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,包括:
对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱;
对各功率谱进行特征提取,得到各功率谱的特征数据;
根据各特征数据,生成对应的各包络谱。
在其中一个实施例中,基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果,包括:
基于各异常检测指标,对待检测设备的各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;
根据各判定结果,生成待检测设备的检测结果。
在其中一个实施例中,确定各工作电流数据的数据类型以及对各工作电流数据进行异常检测为通过预先训练完成的检测模型进行的;检测模型的训练方式包括:
获取训练数据集合,训练数据集合包括待检测设备的多组初始训练电流数据;
对各初始训练电流数据进行数据清洗,得到待检测设备在各不同工作状态的训练工作电流数据;
对各训练工作电流数据进行数据转换,得到对应各训练工作电流数据的包络谱;
对各包络谱进行标记,生成标记后的各包络谱;
将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果;
基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型。
在其中一个实施例中,检测模型包括分类模型以及异常检测模型;
将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果,包括:
将标记后的各包络谱输入构建的初始分类模型中,通过初始分类模型生成对应各训练工作电流数据的分类结果;
将分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型中,通过初始异常检测模型生成训练工作电流数据的异常检测结果。
在其中一个实施例中,基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型,包括:
基于分类结果以及对应的标记的包络谱,确定初始分类模型的分类模型损失,基于分类模型损失,对初始分类模型进行迭代训练,得到训练完成的分类模型;
根据同一工作状态的多个训练工作电流数据,确定各训练工作电流数据的真实异常结果;
基于各训练工作电流数据的真实异常结果以及初始异常检测模型生成的异常检测结果,确定初始异常检测模型的异常模型损失,并基于异常模型损失,对初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
在其中一个实施例中,上述方法还包括:
将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的至少一个上传至区块链节点中进行存储。
一种设备异常检测装置,所述装置包括:
获取模块,用于获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据;
数据清洗模块,用于基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据;
变换模块,用于对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱;
数据类型确定模块,用于根据各包络谱,确定各工作电流数据的数据类型;
检测模块,用于获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
上述设备异常检测方法、装置、计算机设备及可读存储介质,通过获取待检测设备的初始电流数据以及待检测设备的工作状态数据,初始电流数据中包括待检测设备在多个工作状态下的电流数据,然后基于工作状态数据对初始电流数据进行数据清洗,得到对应待检测设备的各工作状态的工作电流数据,并对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,并基于得到的各包络谱,确定各工作电流数据的数据类型,进一步获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。从而,通过对检测设备的采集的低频数据进行清洗后,可以得到待检测设备各不同工作状态所对应的工作电流数据,可以实现对不同工作状态的工作电流数据的聚类,然后通过对各不同工作状态的工作电流数据进行数据变换,生成对应的包络谱,可以将离散的数据转换为连续的数据,使得可以提升后续基于连续的数据进行数据处理的准确性。并且,通过对采集的初始电流数据进行数据清洗,生成对应各工作状态的工作电流数据,并通过各工作状态的异常检测指标对各工作状态的工作电流数据进行异常检测,使得对各工作电流数据的检测更具针对性,可以准确对待检测设备在各工作状态的运行状态进行异常检测,可以进一步提升检测的准确性。
附图说明
图1为一个实施例中设备异常检测方法的应用场景图;
图2为一个实施例中设备异常检测方法的流程示意图;
图3为一个实施例中设备异常检测装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的设备异常检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102可以采集待检测设备的初始电流数据以及工作状态数据,初始电流数据中包括待检测设备在多个工作状态下的电流数据,并发送给服务器104。服务器104在获取到初始电流数据以及工作状态数据后,可以基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据。然后,服务器104可以对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱。进一步,服务器104可以根据各包络谱,确定各工作电流数据的数据类型,然后获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,待检测设备可以工业生产实践中的各种设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种设备异常检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据。
其中,待检测设备可以是指在生产实践中的执行设备,如制造业中的制造设备等。
在本实施例中,初始电流数据是指通过外接的终端设备或者是采集设备,采集制造设备(即待检测设备)的运行电流所得到的数据,具体可以是以较低的频率所采集的数据,例如,1分钟采集一次所生成的数据。
在本实施例中,电流数据可以是指电流信号数据,即在制造设备运行期间内,设备的电流信号的变化数据。
在本实施例中,初始电流数据是一定检测时间区间内的数据例如,半天的电流数据或者是一天的电流数据等,初始电流数据包括一定检测时间区间内多个采集时间点中对应各采集时间点的工作电流数据。本领域技术人员可以理解的是,检测时间区间可以根据实际的业务需求进行确定,本申请对此不作限制。
在本实施例中,对于待检测设备,其可以包括多个工作状态,例如,对于半自动的加工设备,可以包括加工状态、非加工状态、待机状态等,或者也可以包括粗加工状态、精加工状态,或者加工工序一状态、加工工序二状态等,本申请对此不作限制。
在本实施例中,采集设备采集到的电流数据是待检测设备在连续运行时间区间的数据,即采集到的电流数据可以包括加工状态的电流数据,也可以包括非加工状态的电流数据,可以包括粗加工状态的电流数据,也可以包括精加工状态的电流数据,或者也可以包括加工工序一状态的电流数据,也可以包括加工工序二状态的电流数据。
在本实施例中,工作状态数据用于指示待检测设备的工作状态,包括待检测设备在检测时间区间的工作状态,例如,12:00~12:05,待检测设备处于待机状态,12:05~12:20,待检测设备处于加工状态。
在本实施例中,终端可以在待检测设备运行时,记录待检测设备在整个运行区间的各工作状态,并生成对应的工作状态数据。例如,根据待检测设备在运行时,确定是否在加工,确定是否处于加工状态,如果在加工状态时,根据执行的加工程序的程序标识,确定是精加工、初加工或者是加工工序一、加工工序二等,以此确定待检测设备在各时间点的工作状态,以得到对应的工作状态数据。
步骤S204,基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据。
具体地,服务器可以根据获取到的工作状态数据,对初始电流数据进行数据的拆分,以得到对应各不同工作状态的工作电流数据,例如,将初始电流数据拆分为加工状态的工作电流数据、非加工状态的工作电流数据或者是待机状态的工作电流数据等。
在本实施例中,初始电流数据中可以包括时间信息,工作状态数据中可以包括时间信息,服务器可以根据工作状态数据中的时间信息确定各时间点待检测设备所处的工作状态,然后对初始电流数据进行拆分,以得到对应各工作状态的工作电流数据。
在本实施例中,服务器也可以有显示设置切分单位时间,然后通过切分单位时间对初始电流数据进行拆分,得到以切分单位时间为时间周期的工作电流数据。然后服务器在对同一工作状态的数据进行聚类,得到对应各工作状态的工作电流数据。
步骤S206,对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱。
在本实施例中,服务器在得到对应各工作状态的各工作电流数据后,可以对各工作电流数据进行数据转换,例如,通过傅里叶变换等,生成对应各工作电流数据的频谱图。
进一步,服务器基于生成的频谱图,从频谱图中提取出对应的包络谱。
步骤S208,根据各包络谱,确定各工作电流数据的数据类型。
在本实施例中,服务器可以根据各工作电流数据对应的包络谱,确定各工作电流数据的数据类型,例如,数据类型为加工状态数据还是非加工状态数据,或者是待机状态数据等。
在本实施例中,服务器可以通过预先构建的分类模型,确定各工作电流数据的数据类型,即将生成的包络谱输入预先构建的分类模型中,通过分类模型对输入的包络谱进行识别,以确定各包络谱所对应的工作电流数据的数据类型。
步骤S210,获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
其中,异常检测指标是指预先设置的用于对工作电流数进行异常检测的指标。根据数据类型的不同,对应的异常检测指标可以不同,例如,可以包括对应数据类型为工作状态数据的异常检测指标,对应数据类型为待机状态数据的异常检测指标等。
在本实施例中,服务器可以预先存储对应各数据类型的异常检测指标至数据库,然后基于包络谱确定的数据类型,对数据库进行查询,以获取对应数据类型的异常检测指标。
在本实施例中,服务器在获取到对应数据类型的异常检测指标后,可以通过异常检测指标对对应的工作电流数据进行异常检测,得到对应待检测设备的检测结果。
例如,服务器可以获取对应各工作电流数据的标准数据,然后对标准数据与待检测的工作电流数据求方差,或者做箱型图等,生成对应待进行异常检测的工作电流数据的方差或箱型图。进一步,基于异常检测指标对得到的方差或者是箱型图进行判定,以生成对应的检测结果,如,方差大于预设数值,则确定对应的待检测的工作电流数据异常,小于则确定待检测的工作电流数据正常等。
上述设备异常检测方法中,通过获取待检测设备的初始电流数据以及待检测设备的工作状态数据,初始电流数据中包括待检测设备在多个工作状态下的电流数据,然后基于工作状态数据对初始电流数据进行数据清洗,得到对应待检测设备的各工作状态的工作电流数据,并对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,并基于得到的各包络谱,确定各工作电流数据的数据类型,进一步获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。从而,通过对检测设备的采集的低频数据进行清洗后,可以得到待检测设备各不同工作状态所对应的工作电流数据,可以实现对不同工作状态的工作电流数据的聚类,然后通过对各不同工作状态的工作电流数据进行数据变换,生成对应的包络谱,可以将离散的数据转换为连续的数据,使得可以提升后续基于连续的数据进行数据处理的准确性。并且,通过对采集的初始电流数据进行数据清洗,生成对应各工作状态的工作电流数据,并通过各工作状态的异常检测指标对各工作状态的工作电流数据进行异常检测,使得对各工作电流数据的检测更具针对性,可以准确对待检测设备在各工作状态的运行状态进行异常检测,可以进一步提升检测的准确性。
在其中一个实施例中,对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,可以包括:对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱;对各功率谱进行特征提取,得到各功率谱的特征数据;根据各特征数据,生成对应的各包络谱。
具体地,服务器可以通过傅里叶变换,对各工作电流数据进行数据变换,以生成对应工作电流数据的功率谱。
进一步,服务器可以对得到的功率谱进行特征提取,得到对应的特征数据,例如,服务器可以通过预先构架圣经网络模型,对功率谱进行卷积处理,以进行特征提取,得到对应功率谱的特征数据。
在本实施例中,服务器可以基于提取得到的特征,进行反向处理,生成对应功率谱的包络谱。
在本实施例中,服务器对各工作电流数据进行数据转换,然后进行特征提取,进而进行包络谱的构建均可以是通过并行处理的方式进行的,例如,并行对多个工作电流数据进行转换,并行对得到的各个功率谱进行特征提取,以及并行构建包络谱,以节约时间,提升数据处理的效率。
上述实施例中,通过对对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱,使得离散的电流数据可以变成连续的波形图,使得数据特征会更清晰明确,可以提升后续数据处理的准确性。
在其中一个实施例中,基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果,可以包括:基于各异常检测指标,对待检测设备的各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;根据各判定结果,生成待检测设备的检测结果。
如前文所述,初始电流数据可以包括待检测设备不同工作状态的电流数据,服务器在进行数据清洗后,可以得到对应不同数据类型的工作电流数据。
在本实施例中,服务器可以根据不同的数据类型,获取到对应各不同数据类型的异常检测指标,并对各个工作电流数据进行异常判定,生成对应各工作电流数据的判定结果,例如,工作状态对应的工作电流数据的判定结果为正常,待机状态对应的工作电流数据的判定结果为正常,或者是,工作工序一对应的判定结果为正常,工作工序二对应的判定结果为异常等。
在本实施例中,服务器可以对得到的各判定结果进行汇总,以得到待检测设备的检测结果,例如,服务器可以预先配置在所有工作电流数据的判定结果均指示正常时,确定待检测设备正常,当至少一个工作电流数据的判定结果指示异常时,则确定待检测设备异常。
或者,服务器也可以对各个判定结果进行量化,并设置各工作电流数据的权重,然后根据量化后的判定结果以及权重,得到待检测设备的总量化值。进一步,服务器将总量化值作为待检测设备的检测结果,以确定待检测设备是否异常。
上述实施例中,通过基于各异常检测指标对各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果,然后可以根据各判定结果,得到待检测设备的检测结果,从而,可以使得得到的检测结果更加准确,提升异常检测的准确性。
在其中一个实施例中,确定各工作电流数据的数据类型以及对各工作电流数据进行异常检测为通过预先训练完成的检测模型进行的。
在本实施例中,检测模型的训练方式可以包括:获取训练数据集合,训练数据集合包括待检测设备的多组初始训练电流数据;对各初始训练电流数据进行数据清洗,得到待检测设备在各不同工作状态的训练工作电流数据;对各训练工作电流数据进行数据转换,得到对应各训练工作电流数据的包络谱;对各包络谱进行标记,生成标记后的各包络谱;将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果;基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型。
在本实施例中,服务器可以获取训练数据集合,训练数据集合中可以包括对应多个同类型设备的多个初始训练电流数据,可以包括正样本数据也可以包括负样本数据。
进一步,服务器可以对各初始训练电流数据进行数据拆分,并进行数据清洗,得到对应各不同工作状态的训练工作电流数据。
在本实施例中,服务器可以将不同类型设备的相同状态的训练工作电流数据存储至同一数据集合中,然后可以增加同类型工作状态的数据量,提升模型的训练效果。
进一步,服务器可以对训练工作电流数据进行数据转换,得到对应各不同工作状态的训练工作电流数据的包络谱。
具体地,服务器可以先将各训练工作电流数据通过傅里叶变换的方式进行数据转换,生成对应的功率谱,然后在通过卷积核进行特征数据提取,得到对应的特征数据,进而再根据特征数据构建对应的包络谱。
在本实施例中,服务器可以对各包络谱进行标记,标记各包络谱对应训练工作电流数据的数据类型,如加工状态的数据,加工工序一的数据等,以得到标记后的各包络谱。
进一步,服务器可以将标记后的包络谱输入构建的初始检测模型,通过初始检测模型生成对应训练工作电流数据的检测结果。
在本实施例中,初始检测模型可以是神经网络模型,具体网络结构以及网络类型对此不作限制。
在本实施例中,服务器可以通过初始检测模型输出对应的检测结果,例如,数据是异常数据或者是正常数据的检测结果等。
在本实施例中,服务器可以基于检测结果,对初始检测模型的模型损失进行计算。例如,服务器根据初始训练电流数据的样本属性,即正样本或负样本,以及根据得到的检测结果,即正常数据或异常数据,计算初始检测模型的损失值。
具体地,服务器可以通过L1损失函数、交叉熵损失函数等,计算待检测模型的模型损失。
在本实施例中,服务器可以通过计算得到的模型损失对初始检测模型的模型参数进行更新,并对模型参数更新后的初始检测模型进行迭代训练,以得到训练完成的检测模型。
在本实施例中,服务器可以预先设置训练次数以及学习效率,并按照训练次数以及学习效率进行初始检测模型的训练。
在其中一个实施例中,服务器还可以将训练数据集合分为训练样本数据集合以及测试样本数据集合,通过训练样本数据集合对模型进行训练,通过测试样本数据集合对模型进行测试验证,并在训练和测试均通过后,得到最终的检测模型。
上述实施例中,通过预先训练完成的检测模型确定对应的各工作电流数据的数据类型以及对各工作电流数据进行异常检测,可以提升检测的准确性以及检测效率。
在其中一个实施例中,检测模型可以包括分类模型以及异常检测模型。
在本实施例中,将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果,可以包括:将标记后的各包络谱输入构建的初始分类模型中,通过初始分类模型生成对应各训练工作电流数据的分类结果;将分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型中,通过初始异常检测模型生成训练工作电流数据的异常检测结果。
在本实施例中,服务器可以将标记的包络谱输入构建的初始分类模型中,对初始分类模型进行分类训练。
进一步,服务器将初始分类模型生成的分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型,以对初始异常模型进行训练。
在本实施例中,初始分类模型以及初始异常模型的训练可以是交叉进行的,也可以是分先后进行,例如,服务器可以先训练初始分类模型,在初始分类模型训练完成后,进行初始异常检测模型的训练,或者是在二者均训练一次后,在进行第二次的训练,本申请对此不做限制。
上述实施例中,通过分类模型以及异常检测模型分别进行分类以及异常检测,使得可以通过不同的模型执行不同的处理过程,使得模型执行过程更具针对性,可以提升数据检测的准确性以及处理效率。
在其中一个实施例中,基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型,可以包括:基于分类结果以及对应的标记的包络谱,确定初始分类模型的分类模型损失,基于分类模型损失,对初始分类模型进行迭代训练,得到训练完成的分类模型;根据同一工作状态的多个训练工作电流数据,确定各训练工作电流数据的真实异常结果;基于各训练工作电流数据的真实异常结果以及初始异常检测模型生成的异常检测结果,确定初始异常检测模型的异常模型损失,并基于异常模型损失,对初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
在本实施例中,服务器可以根据包络谱中标定的数据类型以及初始分类模型输出的分类结果,对初始分类模型的分类模型损失进行计算,并基于计算得到的分类模型损失,调整初始分类模型的模型参数。
进一步,服务器可以并对初始分类模型进行迭代训练,以得到训练完成的分类模型。
在本实施例中,服务器可以根据样本的数据类型,即正样本数据或负样本数据,确定各训练工作电流数据的真实异常结果,即是正常数据或者是异常数据,并标上对应的标签。
进一步,服务器可以根据标注结果,以及对应训练工作电流数据输入初始异常检测模型后,初始异常检测模型输出对应的异常检测结果,计算初始异常检测模型的异常模型损失。
在本实施例中,服务器可以根据异常模型损失对初始异常检测模型的模型参数进行调整,并进行迭代训练,以得到训练完成的异常检测模型。
在其中一个实施例中,上述方法还可以包括:将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的至少一个上传至区块链节点中进行存储。
其中,区块链是指分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block chain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。
具体地,区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本实施例中,服务器可以将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的一个或者多个数据上传并存储于区块链的节点中,以保证数据的私密性和安全性。
上述实施例中,通过将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中至少一个上传至区块链并存储于区块链的节点中,从而可以保障存储至区块链节点中数据的私密性,可以提升数据的安全性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种设备异常检测装置,包括:获取模块100、数据清洗模块200、变换模块300、数据类型确定模块400以及检测模块500,其中:
获取模块100,用于获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据。
数据清洗模块200,用于基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据。
变换模块300,用于对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱。
数据类型确定模块400,用于根据各包络谱,确定各工作电流数据的数据类型。
检测模块500,用于获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
在其中一个实施例中,变换模块300可以包括:
数据变换子模块,用于对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱。
特征提取子模块,用于对各功率谱进行特征提取,得到各功率谱的特征数据。
包络图生成子模块,用于根据各特征数据,生成对应的各包络谱。
在其中一个实施例中,检测模块500可以包括:
判定子模块,用于基于各异常检测指标,对待检测设备的各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果。
检测结果生成子模块,用于根据各判定结果,生成待检测设备的检测结果。
在其中一个实施例中,确定各工作电流数据的数据类型以及对各工作电流数据进行异常检测为通过预先训练完成的检测模型进行的。
在本实施例中,上传装置还可以包括:训练模块,用于按照预设方式对检测模型进行训练。
在本实施例中,训练模块可以包括:
训练数据集合获取子模块,用于获取训练数据集合,训练数据集合包括待检测设备的多组初始训练电流数据。
数据清洗子模块,用于对各初始训练电流数据进行数据清洗,得到待检测设备在各不同工作状态的训练工作电流数据。
数据转换子模块,用于对各训练工作电流数据进行数据转换,得到对应各训练工作电流数据的包络谱。
标记子模块,用于对各包络谱进行标记,生成标记后的各包络谱。
检测子模块,用于将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果。
模型损失确定以及训练子模块,用于基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型。
在其中一个实施例中,检测模型可以包括分类模型以及异常检测模型。
在本实施例中,检测子模块可以包括:
分类单元,用于将标记后的各包络谱输入构建的初始分类模型中,通过初始分类模型生成对应各训练工作电流数据的分类结果。
异常检测单元,用于将分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型中,通过初始异常检测模型生成训练工作电流数据的异常检测结果。
在其中一个实施例中,模型损失确定以及训练子模块可以包括:
第一模型损失确定以及训练单元,用于基于分类结果以及对应的标记的包络谱,确定初始分类模型的分类模型损失,基于分类模型损失,对初始分类模型进行迭代训练,得到训练完成的分类模型。
真实异常结果确定单元,用于根据同一工作状态的多个训练工作电流数据,确定各训练工作电流数据的真实异常结果。
第二模型损失确定以及训练单元,用于基于各训练工作电流数据的真实异常结果以及初始异常检测模型生成的异常检测结果,确定初始异常检测模型的异常模型损失,并基于异常模型损失,对初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
在其中一个实施例中,上述装置还可以包括:
存储模块,用于将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的至少一个上传至区块链节点中进行存储。
关于设备异常检测装置的具体限定可以参见上文中对于设备异常检测方法的限定,在此不再赘述。上述设备异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备异常检测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据;基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据;对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱;根据各包络谱,确定各工作电流数据的数据类型;获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
在其中一个实施例中,处理器执行计算机程序时实现对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,可以包括:对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱;对各功率谱进行特征提取,得到各功率谱的特征数据;根据各特征数据,生成对应的各包络谱。
在其中一个实施例中,处理器执行计算机程序时实现基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果,可以包括:基于各异常检测指标,对待检测设备的各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;根据各判定结果,生成待检测设备的检测结果。
在其中一个实施例中,处理器执行计算机程序时实现确定各工作电流数据的数据类型以及对各工作电流数据进行异常检测为通过预先训练完成的检测模型进行的。
在本实施例中,处理器执行计算机程序时实现检测模型的训练方式可以包括:获取训练数据集合,训练数据集合包括待检测设备的多组初始训练电流数据;对各初始训练电流数据进行数据清洗,得到待检测设备在各不同工作状态的训练工作电流数据;对各训练工作电流数据进行数据转换,得到对应各训练工作电流数据的包络谱;对各包络谱进行标记,生成标记后的各包络谱;将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果;基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型。
在其中一个实施例中,检测模型可以包括分类模型以及异常检测模型。
在本实施例中,处理器执行计算机程序时实现将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果,可以包括:将标记后的各包络谱输入构建的初始分类模型中,通过初始分类模型生成对应各训练工作电流数据的分类结果;将分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型中,通过初始异常检测模型生成训练工作电流数据的异常检测结果。
在其中一个实施例中,处理器执行计算机程序时实现基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型,可以包括:基于分类结果以及对应的标记的包络谱,确定初始分类模型的分类模型损失,基于分类模型损失,对初始分类模型进行迭代训练,得到训练完成的分类模型;根据同一工作状态的多个训练工作电流数据,确定各训练工作电流数据的真实异常结果;基于各训练工作电流数据的真实异常结果以及初始异常检测模型生成的异常检测结果,确定初始异常检测模型的异常模型损失,并基于异常模型损失,对初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
在其中一个实施例中,处理器执行计算机程序时实现还可以实现以下步骤:将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的至少一个上传至区块链节点中进行存储。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待检测设备的初始电流数据以及待检测设备的工作状态数据,其中,初始电流数据中包括待检测设备在多个工作状态下的电流数据;基于工作状态数据对初始电流数据进行数据清洗,得到待检测设备对应各工作状态的工作电流数据;对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱;根据各包络谱,确定各工作电流数据的数据类型;获取对应各数据类型的异常检测指标,并基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果。
在其中一个实施例中,计算机程序被处理器执行时实现对各工作电流数据进行数据变换,得到对应各工作电流数据的各包络谱,可以包括:对各工作电流数据进行数据变换,生成对应各工作电流数据的功率谱;对各功率谱进行特征提取,得到各功率谱的特征数据;根据各特征数据,生成对应的各包络谱。
在其中一个实施例中,计算机程序被处理器执行时实现基于各异常检测指标对各工作电流数据进行异常检测,得到待检测设备的检测结果,可以包括:基于各异常检测指标,对待检测设备的各工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;根据各判定结果,生成待检测设备的检测结果。
在其中一个实施例中,计算机程序被处理器执行时实现确定各工作电流数据的数据类型以及对各工作电流数据进行异常检测为通过预先训练完成的检测模型进行的。
在本实施例中,计算机程序被处理器执行时实现检测模型的训练方式可以包括:获取训练数据集合,训练数据集合包括待检测设备的多组初始训练电流数据;对各初始训练电流数据进行数据清洗,得到待检测设备在各不同工作状态的训练工作电流数据;对各训练工作电流数据进行数据转换,得到对应各训练工作电流数据的包络谱;对各包络谱进行标记,生成标记后的各包络谱;将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果;基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型。
在其中一个实施例中,检测模型可以包括分类模型以及异常检测模型。
在本实施例中,计算机程序被处理器执行时实现将标记后的各包络谱输入构建的初始检测模型,通过初始检测模型生成对应各训练工作电流数据的检测结果,可以包括:将标记后的各包络谱输入构建的初始分类模型中,通过初始分类模型生成对应各训练工作电流数据的分类结果;将分类结果以及对应的训练工作电流数据输入构建的初始异常检测模型中,通过初始异常检测模型生成训练工作电流数据的异常检测结果。
在其中一个实施例中,计算机程序被处理器执行时实现基于检测结果,确定初始检测模型的模型损失,并通过模型损失对初始检测模型进行迭代训练,得到训练完成的检测模型,可以包括:基于分类结果以及对应的标记的包络谱,确定初始分类模型的分类模型损失,基于分类模型损失,对初始分类模型进行迭代训练,得到训练完成的分类模型;根据同一工作状态的多个训练工作电流数据,确定各训练工作电流数据的真实异常结果;基于各训练工作电流数据的真实异常结果以及初始异常检测模型生成的异常检测结果,确定初始异常检测模型的异常模型损失,并基于异常模型损失,对初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
在其中一个实施例中,计算机程序被处理器执行时实现还可以实现以下步骤:将工作状态数据、工作电流数据、包络谱、数据类型、异常检测指标以及检测结果中的至少一个上传至区块链节点中进行存储。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备异常检测方法,其特征在于,所述方法包括:
获取待检测设备的初始电流数据以及所述待检测设备的工作状态数据,其中,所述初始电流数据中包括所述待检测设备在多个工作状态下的电流数据;
基于所述工作状态数据对所述初始电流数据进行数据清洗,得到所述待检测设备对应各工作状态的工作电流数据;
对各所述工作电流数据进行数据变换,得到对应各所述工作电流数据的各包络谱;
根据各所述包络谱,确定各所述工作电流数据的数据类型;
获取对应各所述数据类型的异常检测指标,并基于各所述异常检测指标对各所述工作电流数据进行异常检测,得到所述待检测设备的检测结果;
所述确定各所述工作电流数据的数据类型以及对各所述工作电流数据进行异常检测为通过预先训练完成的检测模型进行的;所述检测模型的训练方式包括:
获取训练数据集合,所述训练数据集合包括待检测设备的多组初始训练电流数据;
对各所述初始训练电流数据进行数据清洗,得到所述待检测设备在各不同工作状态的训练工作电流数据;
对各所述训练工作电流数据进行数据转换,得到对应各所述训练工作电流数据的包络谱;
对各所述包络谱进行标记,生成标记后的各包络谱;
将标记后的各包络谱输入构建的初始检测模型,通过所述初始检测模型生成对应各所述训练工作电流数据的检测结果;
基于所述检测结果,确定所述初始检测模型的模型损失,并通过所述模型损失对所述初始检测模型进行迭代训练,得到训练完成的检测模型;
所述检测模型包括分类模型以及异常检测模型;
所述将标记后的各包络谱输入构建的初始检测模型,通过所述初始检测模型生成对应各所述训练工作电流数据的检测结果,包括:
将标记后的各包络谱输入构建的初始分类模型中,通过所述初始分类模型生成对应各所述训练工作电流数据的分类结果;
将所述分类结果以及对应的所述训练工作电流数据输入构建的初始异常检测模型中,通过所述初始异常检测模型生成所述训练工作电流数据的异常检测结果;
所述基于所述检测结果,确定所述初始检测模型的模型损失,并通过所述模型损失对所述初始检测模型进行迭代训练,得到训练完成的检测模型,包括:
基于所述分类结果以及对应的标记的包络谱,确定所述初始分类模型的分类模型损失,基于所述分类模型损失,对所述初始分类模型进行迭代训练,得到训练完成的分类模型;
根据同一工作状态的多个训练工作电流数据,确定各所述训练工作电流数据的真实异常结果;
基于各所述训练工作电流数据的真实异常结果以及所述初始异常检测模型生成的所述异常检测结果,确定所述初始异常检测模型的异常模型损失,并基于所述异常模型损失,对所述初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
2.根据权利要求1所述的方法,其特征在于,所述对各所述工作电流数据进行数据变换,得到对应各所述工作电流数据的各包络谱,包括:
对各所述工作电流数据进行数据变换,生成对应各所述工作电流数据的功率谱;
对各所述功率谱进行特征提取,得到各所述功率谱的特征数据;
根据各所述特征数据,生成对应的各包络谱。
3.根据权利要求1所述的方法,其特征在于,所述基于各所述异常检测指标对各所述工作电流数据进行异常检测,得到所述待检测设备的检测结果,包括:
基于各所述异常检测指标,对所述待检测设备的各所述工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;
根据各所述判定结果,生成所述待检测设备的检测结果。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
将所述工作状态数据、所述工作电流数据、所述包络谱、所述数据类型、所述异常检测指标以及所述检测结果中的至少一个上传至区块链节点中进行存储。
5.一种设备异常检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测设备的初始电流数据以及所述待检测设备的工作状态数据,其中,所述初始电流数据中包括待检测设备在多个工作状态下的电流数据;
数据清洗模块,用于基于所述工作状态数据对所述初始电流数据进行数据清洗,得到所述待检测设备对应各工作状态的工作电流数据;
变换模块,用于对各所述工作电流数据进行数据变换,得到对应各所述工作电流数据的各包络谱;
数据类型确定模块,用于根据各所述包络谱,确定各所述工作电流数据的数据类型;
检测模块,用于获取对应各所述数据类型的异常检测指标,并基于各所述异常检测指标对各所述工作电流数据进行异常检测,得到所述待检测设备的检测结果;
所述确定各所述工作电流数据的数据类型以及对各所述工作电流数据进行异常检测为通过训练模块预先训练完成的检测模型进行的;所述训练模块包括:
训练数据集合获取子模块,用于获取训练数据集合,所述训练数据集合包括待检测设备的多组初始训练电流数据;
数据清洗子模块,用于对各所述初始训练电流数据进行数据清洗,得到所述待检测设备在各不同工作状态的训练工作电流数据;
数据转换子模块,用于对各所述训练工作电流数据进行数据转换,得到对应各所述训练工作电流数据的包络谱;
标记子模块,用于对各所述包络谱进行标记,生成标记后的各包络谱;
检测子模块,用于将标记后的各包络谱输入构建的初始检测模型,通过所述初始检测模型生成对应各所述训练工作电流数据的检测结果;
模型损失确定以及训练子模块,用于基于所述检测结果,确定所述初始检测模型的模型损失,并通过所述模型损失对所述初始检测模型进行迭代训练,得到训练完成的检测模型;
所述检测模型包括分类模型以及异常检测模型;
所述检测子模块包括:
分类单元,用于将标记后的各包络谱输入构建的初始分类模型中,通过所述初始分类模型生成对应各所述训练工作电流数据的分类结果;
异常检测单元,用于将所述分类结果以及对应的所述训练工作电流数据输入构建的初始异常检测模型中,通过所述初始异常检测模型生成所述训练工作电流数据的异常检测结果;
所述模型损失确定以及训练子模块包括:
第一模型损失确定以及训练单元,用于基于所述分类结果以及对应的标记的包络谱,确定所述初始分类模型的分类模型损失,基于所述分类模型损失,对所述初始分类模型进行迭代训练,得到训练完成的分类模型;
真实异常结果确定单元,用于根据同一工作状态的多个训练工作电流数据,确定各所述训练工作电流数据的真实异常结果;
第二模型损失确定以及训练单元,用于基于各所述训练工作电流数据的真实异常结果以及所述初始异常检测模型生成的所述异常检测结果,确定所述初始异常检测模型的异常模型损失,并基于所述异常模型损失,对所述初始异常检测模型进行迭代训练,得到训练完成的异常检测模型。
6.根据权利要求5所述的装置,其特征在于,所述变换模块包括:
数据变换子模块,用于对各所述工作电流数据进行数据变换,生成对应各所述工作电流数据的功率谱;
特征提取子模块,用于对各所述功率谱进行特征提取,得到各所述功率谱的特征数据;
包络图生成子模块,用于根据各所述特征数据,生成对应的各包络谱。
7.根据权利要求5所述的装置,其特征在于,所述检测模块包括:
判定子模块,用于基于各所述异常检测指标,对所述待检测设备的各所述工作电流数据进行异常判定,生成对应各工作状态的工作电流数据的判定结果;
检测结果生成子模块,用于根据各所述判定结果,生成所述待检测设备的检测结果。
8.根据权利要求5至7任一项所述的装置,其特征在于,所述装置还包括:
存储模块,用于将所述工作状态数据、所述工作电流数据、所述包络谱、所述数据类型、所述异常检测指标以及所述检测结果中的至少一个上传至区块链节点中进行存储。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483955.7A CN113110961B (zh) | 2021-04-30 | 2021-04-30 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110483955.7A CN113110961B (zh) | 2021-04-30 | 2021-04-30 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113110961A CN113110961A (zh) | 2021-07-13 |
CN113110961B true CN113110961B (zh) | 2022-10-21 |
Family
ID=76720769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110483955.7A Active CN113110961B (zh) | 2021-04-30 | 2021-04-30 | 设备异常检测方法、装置、计算机设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110961B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598457A (zh) * | 2022-11-30 | 2023-01-13 | 中国南方电网有限责任公司超高压输电公司广州局(Cn) | 电气设备异常检测方法、装置、计算机设备和存储介质 |
CN117112336B (zh) * | 2023-10-25 | 2024-01-16 | 深圳市磐鼎科技有限公司 | 智能通信设备异常检测方法、设备、存储介质及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
CN111178556A (zh) * | 2019-12-25 | 2020-05-19 | 深圳供电局有限公司 | 电量异常检测方法、装置、计算机设备和可读存储介质 |
CN111983729A (zh) * | 2020-08-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 天气现象确定方法、装置、计算机设备和介质 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324229B (zh) * | 2011-09-08 | 2012-11-28 | 中国科学院自动化研究所 | 语音输入设备使用异常的检测方法及*** |
CN105424082A (zh) * | 2015-11-03 | 2016-03-23 | 天津航天机电设备研究所 | 一种生成航天器运输包装箱监测报告的方法 |
EP3662331A4 (en) * | 2017-08-02 | 2021-04-28 | Strong Force Iot Portfolio 2016, LLC | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL INTERNET OF THINGS DATA COLLECTION ENVIRONMENT WITH LARGE AMOUNTS OF DATA |
CN108577830B (zh) * | 2018-03-15 | 2021-10-26 | 上海乐普云智科技股份有限公司 | 一种面向用户的体征信息动态监护方法和动态监护*** |
EP3791236A4 (en) * | 2018-05-07 | 2022-06-08 | Strong Force Iot Portfolio 2016, LLC | METHODS AND SYSTEMS FOR DATA COLLECTION, LEARNING AND STREAMING MACHINE SIGNALS FOR ANALYSIS AND MAINTENANCE USING THE INDUSTRIAL INTERNET OF THINGS |
CN110888788A (zh) * | 2019-10-16 | 2020-03-17 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN110853648B (zh) * | 2019-10-30 | 2022-05-03 | 广州多益网络股份有限公司 | 一种不良语音检测方法、装置、电子设备及存储介质 |
CN112033666A (zh) * | 2020-09-07 | 2020-12-04 | 上海辉度智能***有限公司 | 一种基于机理模型的减速机在线故障预测及诊断*** |
-
2021
- 2021-04-30 CN CN202110483955.7A patent/CN113110961B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
CN111178556A (zh) * | 2019-12-25 | 2020-05-19 | 深圳供电局有限公司 | 电量异常检测方法、装置、计算机设备和可读存储介质 |
CN111983729A (zh) * | 2020-08-20 | 2020-11-24 | 上海眼控科技股份有限公司 | 天气现象确定方法、装置、计算机设备和介质 |
CN112364715A (zh) * | 2020-10-23 | 2021-02-12 | 岭东核电有限公司 | 核电作业异常监控方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113110961A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
CN111523683B (zh) | 烟草加工中工艺参数预测方法及*** | |
CN115440292B (zh) | 存储芯片的测试方法、装置、设备及存储介质 | |
CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN112149909A (zh) | 船舶油耗预测方法、装置、计算机设备和存储介质 | |
CN111897695A (zh) | 获取kpi异常数据样本的方法、装置和计算机设备 | |
CN115062674B (zh) | 基于深度学习的刀具排布及换刀方法、设备及存储介质 | |
CN112215398A (zh) | 电力用户负荷预测模型建立方法、装置、设备及存储介质 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN116994641A (zh) | 一种半导体老化测试方法及其*** | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN115270861A (zh) | 一种产品成分数据监测方法、装置、电子设备及存储介质 | |
CN113283501A (zh) | 基于深度学习的设备状态检测方法、装置、设备和介质 | |
CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及*** | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN112884052A (zh) | 结构模态参数提取方法、装置、计算机设备及存储介质 | |
CN113177597A (zh) | 模型训练数据确定方法、检测模型训练方法、装置及设备 |
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 |