CN114841250A - 基于多维传感数据的工业***生产异常检测与诊断方法 - Google Patents
基于多维传感数据的工业***生产异常检测与诊断方法 Download PDFInfo
- Publication number
- CN114841250A CN114841250A CN202210375778.5A CN202210375778A CN114841250A CN 114841250 A CN114841250 A CN 114841250A CN 202210375778 A CN202210375778 A CN 202210375778A CN 114841250 A CN114841250 A CN 114841250A
- Authority
- CN
- China
- Prior art keywords
- feature
- subsample
- layer
- sensing data
- training
- 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
Images
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多维传感数据的工业***生产异常检测与诊断方法,包括:对多维传感数据样本进行预处理,并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本;采用自动编码机,以无监督训练方式基于正常子样本训练得到异常检测模型;根据异常检测模型训练分类模型;基于异常检测模型和分类模型对工业***生产异常进行实时检测与诊断。本发明解决了当前以黑盒模型针对多维传感数据异常检测的情况下难以进行异常诊断的问题。
Description
技术领域
本发明属于数据挖掘技术领域,具体涉及一种基于多维传感数据的工业***生产异常检测与诊断方法。
背景技术
工业互联网旨在实现更敏锐、更高效的工业制造***的自动化控制和资源分配,同时提高智能工厂的生产效率。然而,由于工业互联网打破了网络世界和物理世界的边界,使得工业制造***更容易受到外部恶意行为的侵袭。此外,工业制造***中不可避免的存在设备故障、性能下降、质量缺陷等生产问题。如果工业生产中的入侵、故障等异常情况不能被及时检测出来,将可能给整个制造体系带来严重的损失。因此,异常检测与诊断是工业互联网的基本要求,对智能制造企业具有十分重要的意义。
随着工业互联网的快速发展,现代化工业制造***通过传感器,实现了对生产运行状态和过程的感知和记录,积累了大量的工业生产数据,数据驱动方法成为异常检测的主流手段。近年来,深度学习逐渐成为数据驱动方法的主流技术。然而,由于深度学习模型过于复杂、包含了大量的非线性变换,总体上是一个黑盒,其预测结果是不可解释的。在工业***异常检测中,对检测结果的解释非常重要,是实现对异常检测结果诊断的基础。例如,异常检测结果诊断可以帮助定位哪个设备、哪个时间段发生了异常。
现有对深度学习模型进行解释的方法都专注于有监督学习模型,如SHAP、LIME等深度学习可解释框架。但由于工业生产数据十分复杂,人工标注的代价过大,导致获取到的工业生产数据基本都是无标注的,因此异常检测模型需要以无监督的方式训练。特别是自动编码机等新型的深度无监督学习模型,几乎无法让现有的深度学习可解释框架学习到异常样本与语义特征之间的关联,导致无法对深度无监督学习模型进行解释。
发明内容
本发明的目的在于提供一种基于多维传感数据的工业***生产异常检测与诊断方法,提高异常诊断准确性。
为实现上述目的,本发明所采取的技术方案为:
一种基于多维传感数据的工业***生产异常检测与诊断方法,所述基于多维传感数据的工业***生产异常检测与诊断方法,包括:
S1、对多维传感数据样本进行预处理,并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本,所述子样本包含正常子样本和异常子样本;给定多维传感数据样本s∈RN×T,s为一个二维矩阵,其中N为s的特征维度,即工业***中所包含的设备个数,T为s的数据时长,即传感器的采样点个数;
S2、采用自动编码机,以无监督训练方式基于正常子样本训练得到异常检测模型;
S3、根据异常检测模型训练分类模型,包括:
步骤31、利用异常检测模型对含有正常子样本和异常子样本的子样本进行检测,并根据检测结果对子样本添加标记,得到有标注子样本集;
步骤32、假定F为N个特征的集合,根据特征的组合每次取集合F中的n个特征得到2N-1个特征子集S,n=1,2,…,N,根据每个特征子集从有标注子样本集中生成一个仅包含特征子集中的特征的训练子集,在每个训练子集上采用XGBoost分类器以有监督的方式训练一个分类模型,共得到2N-1个分类模型;
S4、基于异常检测模型和分类模型对工业***生产异常进行实时检测与诊断,包括:
获取待检测的实时子样本,若异常检测模型对实时子样本的检测结果为正常子样本则结束;否则利用分类模型根据实时子样本依次计算N个特征维度中每个特征维度对应的特征置信度,并根据特征置信度诊断异常特征,即定位工业***中的异常设备。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
作为优选,所述对多维传感数据样本进行预处理,包括:
对多维传感数据样本s中的缺失值,采用前后数据的平均值进行填充;
对多维传感数据样本s进行标准化处理使数据在[0,1]的范围内。
作为优选,所述采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本,包括:
使用窗口大小为W的滑动窗口对多维传感数据样本s进行划分,得到连续的M个子样本sS∈RN×W。
作为优选,所述自动编码机的网络结构包括输入层、编码层、语义层、解码层和输出层,其中:
所述输入层:输入为子样本Ss∈RN×W;
所述编码层:采用两层LSTM作为编码器,子样本ss中W个时刻的N维特征向量x1,x2,…,xW按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量h1,h2,…,hW;
所述语义层:取隐向量hW作为编码后的低维语义向量;
所述解码层:采用两层LSTM作为解码器,将隐向量hW重复W次并按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量g1,g2,…,gw;
所述输出层:采用全连接层将W个隐向量g1,g2,…,gW转换为与子样本ss维度一致的向量y1,y2,…,yW,向量y1,y2,…,yW作为输出数据rss。
作为优选,在异常检测模型的训练中采用输出数据rss与子样本ss的均方误差作为损失函数,并采用梯度下降的方式进行优化迭代。
作为优选,所述根据实时子样本依次计算N个特征维度中每个特征维度对应的特征置信度,包括:
对于特征k计算特征置信度如下:
式中,φk为特征k的特征置信度,k=1,2,…,N,CMS(xS)为使用不含有特征k的特征子集S对应的训练子集训练的分类模型CMS在子样本xS上的输出结果,输出结果为0或1,子样本xS为从实时子样本中提取的与特征子集S所包含的特征相同的样本数据,CMS∪{k}(xS∪{k})为使用含有特征k的特征子集S∪{k}对应的训练子集训练的分类模型CMS∪{k}在子样本xS∪{k}上的输出结果,输出结果为0或1,子样本xS∪{k}为从实时子样本中提取的与特征子集S∪{k}所包含的特征相同的样本数据,表示不含有特征k的特征子集S。
作为优选,所述根据特征置信度诊断异常特征,包括:
先采用Sigmoid函数对所有特征置信度进行归一化得到权重分数,权重分数的绝对值表明了该特征对最终检测结果的影响值,基于影响值利用SHAP解释模型对检测结果进行解释。
本发明提供的基于多维传感数据的工业***生产异常检测与诊断方法,采用自动编码机、以无监督的方式训练异常检测模型,无需提供异常标注样本;利用异常检测模型的输出训练有监督的分类模型,在此基础上实现对异常检测结果的解释和诊断,解决了当前以黑盒模型针对多维传感数据异常检测的情况下难以进行异常诊断的问题。
附图说明
图1为本发明的基于多维传感数据的工业***生产异常检测与诊断方法的流程图;
图2为本发明自动编码机的网格结构图;
图3为本发明自动编码机各层参数设置示意图;
图4为本发明针对异常子样本输出的异常检测解释图;
图5为本发明针对正常子样本输出的异常检测解释图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本发明。
为了解决现有技术中以黑盒模型针对多维传感数据异常检测的情况下难以进行异常诊断的问题,本实施例提供一种基于多维传感数据的工业***生产异常检测与诊断方法。
如图1所示,本实施例提出基于多维传感数据的工业***生产异常检测与诊断方法,包括以下步骤:
S1、对多维传感数据样本进行预处理,并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本,所述子样本包含正常子样本和异常子样本。
本实施例中给定多维传感数据样本s∈RN×T,s为一个二维矩阵,其中N为s的特征维度,即工业***中所包含的设备个数,T为s的数据时长,即传感器的采样点个数。因此,本实施例对样本数据进行预处理的详细操作如下:
1)数据清洗:对多维传感数据样本s中的缺失值,采用前后数据的平均值进行填充。
2)数据标准化:对多维传感数据样本s进行标准化处理使数据在[0,1]的范围内。
本实施例对数据进行划分时,使用窗口大小为W的滑动窗口对多维传感数据样本s进行划分,得到连续的M个子样本ss∈RN×W。
需要说明的是,由于本实施例异常检测模型的训练需要使用正常子样本,因此本实施例中的子样本包含正常子样本和异常子样本,但步骤1中划分得到的子样本并未被标记,其正常和异常的区分对应于所取的原始数据的正常和异常。
S2、采用自动编码机,以无监督训练方式基于正常子样本训练得到异常检测模型。
本实施例采用自动编码机训练异常检测模型AM,自动编码机的输入为原始子样本ss,先通过编码器将原始子样本转换到低维特征空间,再通过解码器将低维特征输出为重构子样本rss,训练目标是使ss和rss尽可能接近。参照图2所示,采用的自动编码机的网络结构如下:
输入层:输入为子样本ss∈RN×W。
编码层:采用两层LSTM作为编码器,子样本ss中每个时刻(共W个时刻)的N维特征向量x1,x2,…,xW(共W个时刻,即x1为一个N维特征向量,其他同理理解)按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量h1,h2,…,hW。
语义层:取隐向量hW作为编码后的低维语义向量。
解码层:采用两层LSTM作为解码器,将隐向量hW重复W次并按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量g1,g2,…,gw。
输出层:采用全连接层将W个隐向量g1,g2,…,gw转换为与子样本ss维度一致的向量y1,y2,…,yW,向量y1,y2,…,yW作为输出数据rss。
在异常检测模型AM的训练过程中,一方面为了最小化ss和rss的差异,使用输出数据rss与子样本ss的均方误差作为损失函数,并在此基础上采用梯度下降的方式对模型进行优化训练;另一方面为了让模型学习到正常子样本的模式,用于训练的均为正常子样本。本实施例采用的自动编码机的各层参数设置如图3所示。
训练完成后,给定一个实时子样本ss,将其输入训练好的自动编码机(即异常检测模型AM),得到输出的重构子样本rss。计算ss与rss的均方误差,若均方误差大于预定义的阈值,则判定该子样本为异常,反之则判定为正常。
S3、根据异常检测模型训练分类模型,包括:
步骤31、有标注子样本集构建:利用异常检测模型对含有正常子样本和异常子样本的子样本进行检测,并根据检测结果对子样本添加标记,将检测出异常的子样本标注为1,正常的子样本标注为0,得到有标注子样本集LSS。
步骤32、分类模型构建:假定F为N个特征的集合,根据特征的组合每次取集合F中的n个特征得到2N-1个特征子集S,n=1,2,…,N,根据每个特征子集从有标注子样本集LSS中生成一个仅包含特征子集中的特征的训练子集,在每个训练子集上采用XGBoost分类器以有监督的方式训练一个分类模型,共得到2N-1个分类模型。
每个训练子集中的子样本数与有标注子样本集LSS中的子样本数相同,且各子样本的标注不变。
S4、基于异常检测模型和分类模型对工业***生产异常进行实时检测与诊断,包括:
S41、获取待检测的实时子样本,若异常检测模型对实时子样本的检测结果为正常子样本则结束;否则执行下一步;
S42、利用分类模型根据实时子样本依次计算N个特征维度中每个特征维度对应的特征置信度。
本实施例在实时子样本异常时计算每个特征对应的特征置信度,以计算特征k的特征置信度为例进行说明,给定特征k,(特征为N个特征中的一个特征)通过计算使用特征k的分类模型和不使用特征k的分类模型之间的差异,来评估特征k的置信度φk,置信度φk越大,特征k的重要程度越高。
对于特征k计算特征置信度如下:
式中,φk为特征k的特征置信度,k=1,2,…,N,CMS(xS)为使用不含有特征k的特征子集S对应的训练子集训练的分类模型CMS在子样本xS上的输出结果,输出结果为0或1,子样本xS为从实时子样本中提取的与特征子集S所包含的特征相同的样本数据,CMS∪{k}(xS∪{k})为使用含有特征k的特征子集S∪{k}对应的训练子集训练的分类模型CMS∪{k}在子样本xS∪{k}上的输出结果,输出结果为0或1,子样本xS∪{k}为从实时子样本中提取的与特征子集S∪{k}所包含的特征相同的样本数据,表示不含有特征k的特征子集S。
S43、根据特征置信度诊断异常特征,即定位工业***中的异常设备。
先采用Sigmoid函数对所有特征置信度进行归一化得到权重分数,权重分数的绝对值表明了该特征对最终检测结果的影响值,基于影响值利用SHAP解释模型对检测结果进行解释。
本申请异常判断建立在SHAP解释模型之上,SHAP解释模型基于Shapley值实现,因此本实施例中特征置信度的计算相当于Shapley值的计算。基于最终得到的影响值得出异常特征(例如影响值高于设定阈值),由于特征对应设备,因此也直接定位出可能造成工业***生成异常的设备。
为了便于观察,本实施例进一步可视化诊断结果,参照图4和图5,图中f(x)表示分类模型的输出为异常结果的概率,f(x)的左侧表示对异常检测结果呈正相关,右侧表示对异常结果呈负相关,而特征区域宽度越大,表示该特征的权重分数越高,由此诊断异常产生的原因。例如,图4中,f4、f6、f1等特征(对应设备的标号)影响值较高,说明造成异常的原因最有可能是由这些特征对应的设备产生的。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述基于多维传感数据的工业***生产异常检测与诊断方法,包括:
S1、对多维传感数据样本进行预处理,并采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本,所述子样本包含正常子样本和异常子样本;给定多维传感数据样本s∈RN×T,s为一个二维矩阵,其中N为s的特征维度,即工业***中所包含的设备个数,T为s的数据时长,即传感器的采样点个数;
S2、采用自动编码机,以无监督训练方式基于正常子样本训练得到异常检测模型;
S3、根据异常检测模型训练分类模型,包括:
步骤31、利用异常检测模型对含有正常子样本和异常子样本的子样本进行检测,并根据检测结果对子样本添加标记,得到有标注子样本集;
步骤32、假定F为N个特征的集合,根据特征的组合每次取集合F中的n个特征得到2N-1个特征子集S,n=1,2,…,N,根据每个特征子集从有标注子样本集中生成一个仅包含特征子集中的特征的训练子集,在每个训练子集上采用XGBoost分类器以有监督的方式训练一个分类模型,共得到2N-1个分类模型;
S4、基于异常检测模型和分类模型对工业***生产异常进行实时检测与诊断,包括:
获取待检测的实时子样本,若异常检测模型对实时子样本的检测结果为正常子样本则结束;否则利用分类模型根据实时子样本依次计算N个特征维度中每个特征维度对应的特征置信度,并根据特征置信度诊断异常特征,即定位工业***中的异常设备。
2.如权利要求1所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述对多维传感数据样本进行预处理,包括:
对多维传感数据样本s中的缺失值,采用前后数据的平均值进行填充;
对多维传感数据样本s进行标准化处理使数据在[0,1]的范围内。
3.如权利要求1所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述采用滑动窗口将预处理后的多维传感数据样本划分为若干个子样本,包括:
使用窗口大小为W的滑动窗口对多维传感数据样本s进行划分,得到连续的M个子样本ss∈RN×W。
4.如权利要求3所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述自动编码机的网络结构包括输入层、编码层、语义层、解码层和输出层,其中:
所述输入层:输入为子样本ss∈RN×W;
所述编码层:采用两层LSTM作为编码器,子样本ss中W个时刻的N维特征向量x1,x2,…,xW按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量h1,h2,…,hW;
所述语义层:取隐向量hW作为编码后的低维语义向量;
所述解码层:采用两层LSTM作为解码器,将隐向量hW重复W次并按顺序输入第一层LSTM的每个单元,得到的W个隐向量再按顺序输入第二层LSTM的每个单元,得到W个隐向量g1,g2,…,gW;
所述输出层:采用全连接层将W个隐向量g1,g2,…,gW转换为与子样本ss维度一致的向量y1,y2,…,yW,向量y1,y2,…,yW作为输出数据rss。
5.如权利要求4所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,在异常检测模型的训练中采用输出数据rss与子样本ss的均方误差作为损失函数,并采用梯度下降的方式进行优化迭代。
6.如权利要求1所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述根据实时子样本依次计算N个特征维度中每个特征维度对应的特征置信度,包括:
对于特征k计算特征置信度如下:
7.如权利要求1所述的基于多维传感数据的工业***生产异常检测与诊断方法,其特征在于,所述根据特征置信度诊断异常特征,包括:
先采用Sigmoid函数对所有特征置信度进行归一化得到权重分数,权重分数的绝对值表明了该特征对最终检测结果的影响值,基于影响值利用SHAP解释模型对检测结果进行解释。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375778.5A CN114841250A (zh) | 2022-04-11 | 2022-04-11 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
PCT/CN2022/135714 WO2023197617A1 (zh) | 2022-04-11 | 2022-11-30 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375778.5A CN114841250A (zh) | 2022-04-11 | 2022-04-11 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841250A true CN114841250A (zh) | 2022-08-02 |
Family
ID=82563882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375778.5A Pending CN114841250A (zh) | 2022-04-11 | 2022-04-11 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114841250A (zh) |
WO (1) | WO2023197617A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358348A (zh) * | 2022-10-19 | 2022-11-18 | 成都数之联科技股份有限公司 | 一种车辆直通率影响特征确定方法、装置、设备及介质 |
CN115474108A (zh) * | 2022-09-16 | 2022-12-13 | 南京品淳通信科技有限公司 | 一种基于边缘计算的事件监控***及监控方法 |
CN116430817A (zh) * | 2023-04-26 | 2023-07-14 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产***的数据采集处理方法及*** |
WO2023197617A1 (zh) * | 2022-04-11 | 2023-10-19 | 浙江工业大学 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012137934A (ja) * | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
CN113051822A (zh) * | 2021-03-25 | 2021-06-29 | 浙江工业大学 | 基于图注意力网络与lstm自动编码模型的工业***异常检测方法 |
CN113255733B (zh) * | 2021-04-29 | 2023-04-07 | 西安交通大学 | 多模态数据缺失下的无监督异常检测方法 |
CN114065613B (zh) * | 2021-10-27 | 2022-12-09 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114090396B (zh) * | 2022-01-24 | 2022-06-14 | 华南理工大学 | 一种云环境多指标无监督异常检测和根因分析方法 |
CN114841250A (zh) * | 2022-04-11 | 2022-08-02 | 浙江工业大学 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
-
2022
- 2022-04-11 CN CN202210375778.5A patent/CN114841250A/zh active Pending
- 2022-11-30 WO PCT/CN2022/135714 patent/WO2023197617A1/zh unknown
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197617A1 (zh) * | 2022-04-11 | 2023-10-19 | 浙江工业大学 | 基于多维传感数据的工业***生产异常检测与诊断方法 |
CN115474108A (zh) * | 2022-09-16 | 2022-12-13 | 南京品淳通信科技有限公司 | 一种基于边缘计算的事件监控***及监控方法 |
CN115474108B (zh) * | 2022-09-16 | 2023-09-22 | 南京品淳通信科技有限公司 | 一种基于边缘计算的事件监控***及监控方法 |
CN115358348A (zh) * | 2022-10-19 | 2022-11-18 | 成都数之联科技股份有限公司 | 一种车辆直通率影响特征确定方法、装置、设备及介质 |
CN116430817A (zh) * | 2023-04-26 | 2023-07-14 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产***的数据采集处理方法及*** |
CN116430817B (zh) * | 2023-04-26 | 2023-09-29 | 同心县启胜新能源科技有限公司 | 应用于光伏组件生产***的数据采集处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2023197617A1 (zh) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN114841250A (zh) | 基于多维传感数据的工业***生产异常检测与诊断方法 | |
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及*** | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现***和方法 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及*** | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN113051822A (zh) | 基于图注意力网络与lstm自动编码模型的工业***异常检测方法 | |
CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备***异常检测方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及*** | |
Azzalini et al. | A minimally supervised approach based on variational autoencoders for anomaly detection in autonomous robots | |
CN112685476A (zh) | 一种具有周期性的多元时间序列异常检测方法及*** | |
CN116150901A (zh) | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 | |
CN115903741A (zh) | 一种工业控制***数据异常检测方法 | |
CN114879628B (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN115307943A (zh) | 一种旋转机械设备多工况运行状态异常检测方法及*** | |
CN116680643A (zh) | 一种深度对比学习与密度聚类结合的异常检测方法 | |
Wu et al. | Multiscale reduction clustering of vibration signals for unsupervised diagnosis of machine faults | |
CN114707577A (zh) | 一种基于自对抗变分自编码器的异常检测方法及*** | |
CN113469013A (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及*** | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN111858343A (zh) | 一种基于攻击能力的对抗样本生成方法 | |
CN116821619A (zh) | 一种基于多元时序关系学习的时间序列异常检测方法 |
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 |