您怎么知道一台机器是否在正常运行?问题的回答是:通过利用深度学习来检测工业机器的常规振动数据中的异常情况。异常检测有很多用途,而尤其在预测性维护中特别有用。
这个深度学习的例子讲的是基于双向长短期记忆网络(biLSTM)的自动编码器。虽然这个词很拗口,但它仅表示训练网络来重构“正常”数据。这样,当我们给算法提供一些看起来不同的数据时,重构错误会提示您机器可能需要维护。当您所拥有的数据均为“正常”数据时,自动编码器不失是一个很好的尝试方法。
数据集有两部分:维护前的数据和维护后的数据。从逻辑上讲,我们可以假定维护后的数据是“正常”的(当我们有一个称职的维护团队的情况下!)。但是我们对维护前的数据并不确定。
以下显示了两个相互叠加在一起的数据样本。
与其在原始信号上进行训练,不如提取特征区分训练前后的数据,这往往帮助更大。使用Diagnostic Feature Designer应用程序,一次性从所有数据中自动提取特征并对其排序。然后,这个应用程序可以自动创建一个函数generateFeatures,以编程方式重做所有这些工作。
trainFeatures = generateFeatures(trainData);
这就是那个基于biLSTM的自动编码器。
featureDimension = 1;
% Define biLSTM network layers
layers = [ sequenceInputLayer(featureDimension,'Name','in')
bilstmLayer(16,'Name','bilstm1')
reluLayer('Name','relu1')
bilstmLayer(32,'Name','bilstm2')
reluLayer('Name','relu2')
bilstmLayer(16,'Name','bilstm3')
reluLayer('Name','relu3')
fullyConnectedLayer(featureDimension,'Name','fc')
regressionLayer('Name','out') ];
自动编码器是这样工作的:在正常数据上训练网络。如果您把正常的数据传给它,就能很好地重构它。如果您把一些不正常的数据传给它,就无法重构它,并且您会从重构错误中看到提示。
在每个通道的排名前四的特征上训练网络—仅根据正常(维护后)数据。
通过挑选合适的重构误差阈值,算法能以相当高的准确率识别出异常情况。而我们有一些已知为异常的测试数据,可以明确地测试算法的准确率。
预测类别 |
-
机械
+关注
关注
8文章
1630浏览量
40808 -
检测
+关注
关注
5文章
4520浏览量
91800
发布评论请先 登录
相关推荐
断路器的检测方法
广电计量荣获2024年度机械工业科学技术奖二等奖
基于AI的异常检测解决方案
工业机器人和机械臂的设计、功能和应用有哪些区别?
小鹏汽车荣获2024年机械工业大型重点骨干企业
三菱异常停止plc怎么解决
工业平板电脑在印刷机械设备上的应用
COD检测仪响应水质异常的速度?
工业异常检测超越特定阈值限制的解决方案
![<b class='flag-5'>工业</b><b class='flag-5'>异常</b><b class='flag-5'>检测</b>超越特定阈值限制的解决方案](https://file1.elecfans.com/web2/M00/C7/86/wKgZomYUrAuADGibAABRengUCMU384.png)
工业网关的数字化车间机械手和工业生产设备远程监控解决方案应用
![<b class='flag-5'>工业</b>网关的数字化车间<b class='flag-5'>机械</b>手和<b class='flag-5'>工业</b>生产设备远程监控解决方案应用](https://file1.elecfans.com/web2/M00/B6/10/wKgZomV4HdaAAyquAADJeK3scPI140.png)
如何应对工业缺陷检测数据短缺问题?
![如何应对<b class='flag-5'>工业</b>缺陷<b class='flag-5'>检测</b>数据短缺问题?](https://file1.elecfans.com/web2/M00/C5/2E/wKgaomXyXmGAc7xGAABaUrbaWLw966.png)
评论