【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及數(shù)據(jù)處理，尤其涉及一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、異常檢測(cè)是指自動(dòng)識(shí)別嵌入在大量正常數(shù)據(jù)中的異常現(xiàn)象，在工業(yè)制造領(lǐng)域生產(chǎn)過程中伴隨著大量生產(chǎn)數(shù)據(jù)，隨著傳感器技術(shù)、物聯(lián)網(wǎng)技術(shù)的大力發(fā)展，通過對(duì)數(shù)據(jù)進(jìn)行挖掘分析來識(shí)別判斷出不符合預(yù)期狀態(tài)的異常模式已經(jīng)成為可能。
2、異常檢測(cè)的任務(wù)目標(biāo)是確定哪些數(shù)據(jù)與其他正常的數(shù)據(jù)有明顯不同的特征模式。通常，考慮到異常值遠(yuǎn)遠(yuǎn)偏離其他值的平均值，傳統(tǒng)方法中通過數(shù)據(jù)統(tǒng)計(jì)方法進(jìn)行偏差檢測(cè)來判斷是否出現(xiàn)異常。在工業(yè)制造領(lǐng)域，隨著物聯(lián)網(wǎng)(iot)的出現(xiàn)，產(chǎn)生了大量多維、網(wǎng)絡(luò)流、本地流、混合流等不同數(shù)據(jù)域融合的時(shí)間序列數(shù)據(jù)，針對(duì)這些工業(yè)生產(chǎn)制造過程中時(shí)間序列數(shù)據(jù)的分析和異常檢測(cè)方法，關(guān)系到生產(chǎn)安全，具有重要的研究意義。
3、現(xiàn)有的異常檢測(cè)方案可以分為兩類，一種是采用傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法，如通過累積和圖等統(tǒng)計(jì)過程控制(spc)圖方法來檢測(cè)數(shù)據(jù)基礎(chǔ)分布的特性變化，以識(shí)別異常，對(duì)原始數(shù)據(jù)采集準(zhǔn)確性要求高；另一種是采用機(jī)器學(xué)習(xí)(深度學(xué)習(xí))方法通過數(shù)據(jù)訓(xùn)練模型，常見采用時(shí)間序列預(yù)測(cè)模型來進(jìn)行比對(duì)判斷，但當(dāng)前該方法實(shí)用性不佳、檢測(cè)結(jié)果穩(wěn)定性差。
4、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、通信技術(shù)和存儲(chǔ)技術(shù)的發(fā)展，在工業(yè)制造領(lǐng)域通過各類傳感器可以采集存儲(chǔ)的時(shí)間序列數(shù)據(jù)迅猛增長(zhǎng)，對(duì)時(shí)間序列數(shù)據(jù)中可能出現(xiàn)的異常數(shù)據(jù)情況需要及時(shí)發(fā)現(xiàn)，才能幫助工廠管理者評(píng)估異常風(fēng)險(xiǎn)及采取相應(yīng)對(duì)策。現(xiàn)有異常檢測(cè)方案在應(yīng)對(duì)工業(yè)領(lǐng)域采集的離散檢測(cè)數(shù)據(jù)時(shí)，具有以下缺陷：1)工業(yè)制造過程中
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，有必要提供一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，用以解決現(xiàn)有技術(shù)的上述缺陷。
2、為了解決上述問題，第一方面，本專利技術(shù)實(shí)施例提供一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，包括：
3、采集工業(yè)生產(chǎn)過程中的工業(yè)時(shí)序數(shù)據(jù)；
4、結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)重調(diào)整策略以及數(shù)據(jù)插值方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域處理；
5、將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增強(qiáng)處理后轉(zhuǎn)換回時(shí)間域，得到時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)；
6、采用預(yù)設(shè)的雙分支神經(jīng)網(wǎng)絡(luò)模型，對(duì)時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)。
7、優(yōu)選的，在采集工業(yè)生產(chǎn)過程中的工業(yè)時(shí)序數(shù)據(jù)時(shí)，所述方法還包括：
8、基于香農(nóng)采樣定理和先驗(yàn)知識(shí)，確定工業(yè)時(shí)序數(shù)據(jù)的最優(yōu)采樣頻率；其中，所述工業(yè)時(shí)序數(shù)據(jù)包括電壓、電流、溫度、濕度和速度；
9、根據(jù)最優(yōu)采樣頻率，確定工業(yè)時(shí)序數(shù)據(jù)需要擴(kuò)增的數(shù)據(jù)容量。
10、優(yōu)選的，所述結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)重調(diào)整策略以及數(shù)據(jù)插值方法，對(duì)原始數(shù)據(jù)集中的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域處理，包括：
11、根據(jù)工業(yè)時(shí)序數(shù)據(jù)的特性，為工業(yè)時(shí)序數(shù)據(jù)的每個(gè)數(shù)據(jù)點(diǎn)分配權(quán)重值；
12、考慮每個(gè)數(shù)據(jù)點(diǎn)的權(quán)重值，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)插值。
13、優(yōu)選的，在對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)插值之后，還包括：
14、對(duì)數(shù)據(jù)插值后的數(shù)據(jù)進(jìn)行優(yōu)化處理；所述優(yōu)化處理包括數(shù)據(jù)旋轉(zhuǎn)、數(shù)據(jù)抖動(dòng)、數(shù)據(jù)縮放和數(shù)據(jù)重排。
15、優(yōu)選的，所述將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增強(qiáng)處理后轉(zhuǎn)換回時(shí)間域，得到時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)，包括：
16、通過快速傅里葉變換將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)；
17、對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增強(qiáng)處理；其中，頻域增強(qiáng)處理包括頻域噪聲添加、頻率掩碼、頻率平移和頻率縮放；
18、通過逆快速傅里葉變換將經(jīng)過頻域增強(qiáng)處理的數(shù)據(jù)轉(zhuǎn)換回時(shí)間域，得到時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)。
19、優(yōu)選的，所述雙分支神經(jīng)網(wǎng)絡(luò)模型包括1d單層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)；
20、所述1d單層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)共用輸入層和輸出層，所述1d單層卷積神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層之間設(shè)置有依次連接的單層卷積網(wǎng)絡(luò)、特征圖串聯(lián)、最大池化層以及softmax分類回歸層；所述長(zhǎng)短期記憶網(wǎng)絡(luò)的輸入層和輸出層之間設(shè)置有依次連接的lstm層、隱藏特征層和softmax分類回歸層。
21、優(yōu)選的，所述采用預(yù)設(shè)的雙分支神經(jīng)網(wǎng)絡(luò)模型，對(duì)時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)，包括：
22、雙分支神經(jīng)網(wǎng)絡(luò)模型包括1d單層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)；
23、所述1d單層卷積神經(jīng)網(wǎng)絡(luò)將時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)化為二維數(shù)據(jù)，通過單層卷積網(wǎng)絡(luò)對(duì)二維數(shù)據(jù)進(jìn)行切片處理，提取圖形特征，輸出多個(gè)特征圖，將特征圖串聯(lián)后輸入最大池化層，將最大池化層的輸出送入softmax分類回歸層，輸出異常數(shù)據(jù)的分布位置；
24、所述長(zhǎng)短期記憶網(wǎng)絡(luò)通過lstm層處理時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)，獲得工業(yè)時(shí)序數(shù)據(jù)的隱藏特征，并通過softmax分類回歸得到異常數(shù)據(jù)預(yù)測(cè)結(jié)果；
25、對(duì)于待檢測(cè)的數(shù)據(jù)，通過1d單層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)分別計(jì)算異常得分，并加權(quán)求和得到最終的異常檢測(cè)結(jié)果。
26、第二方面，本專利技術(shù)實(shí)施例提供一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)系統(tǒng)，包括：
27、數(shù)據(jù)采集模塊，用于采集工業(yè)生產(chǎn)過程中的工業(yè)時(shí)序數(shù)據(jù)；
28、時(shí)域處理模塊，用于結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)重調(diào)整策略以及數(shù)據(jù)插值方法，對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域處理；
29、頻域增強(qiáng)模塊，用于將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增強(qiáng)處理后轉(zhuǎn)換回時(shí)間域，得到時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)；
30、異常檢測(cè)模塊，用于采用預(yù)設(shè)的雙分支神經(jīng)網(wǎng)絡(luò)模型，對(duì)時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行異常檢測(cè)。
31、第三方面，本專利技術(shù)還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，其中，
32、所述存儲(chǔ)器，用于存儲(chǔ)程序；
33、所述處理器，與所述存儲(chǔ)器耦合，用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的所述程序，以實(shí)現(xiàn)如本專利技術(shù)第一方面實(shí)施例所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
34、第四方面，本專利技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)如本專利技術(shù)第一方面實(shí)施例所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
35、本專利技術(shù)提供的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，具有如下有益效果：
36、1)本專利技術(shù)通過結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在采集工業(yè)生產(chǎn)過程中的工業(yè)時(shí)序數(shù)據(jù)時(shí)，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)重調(diào)整策略以及數(shù)據(jù)插值方法，對(duì)原始數(shù)據(jù)集中的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域處理，包括：
4.根據(jù)權(quán)利要求3所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)插值之后，還包括：
5.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增強(qiáng)處理后轉(zhuǎn)換回時(shí)間域，得到時(shí)頻域增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)，包括：
6.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述雙分支神經(jīng)網(wǎng)絡(luò)模型包括1D單層卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)；
7.根據(jù)權(quán)利要求6所述的基于時(shí)頻域特
8.一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)系統(tǒng)，其特征在于，包括：
9.一種電子設(shè)備，
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)上述權(quán)利要求1至7中任意一項(xiàng)所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法中的步驟。
...【技術(shù)特征摘要】
1.一種基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在采集工業(yè)生產(chǎn)過程中的工業(yè)時(shí)序數(shù)據(jù)時(shí)，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述結(jié)合時(shí)間域內(nèi)的加權(quán)權(quán)重調(diào)整策略以及數(shù)據(jù)插值方法，對(duì)原始數(shù)據(jù)集中的工業(yè)時(shí)序數(shù)據(jù)進(jìn)行時(shí)域處理，包括：
4.根據(jù)權(quán)利要求3所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，在對(duì)所述工業(yè)時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)插值之后，還包括：
5.根據(jù)權(quán)利要求1所述的基于時(shí)頻域特征增強(qiáng)的工業(yè)時(shí)序數(shù)據(jù)異常檢測(cè)方法，其特征在于，所述將時(shí)域處理后的工業(yè)時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，對(duì)所述頻域數(shù)據(jù)進(jìn)行頻域增...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳再勵(lì)，吳賓，馮樹慶，雷歡，方建生，鐘震宇，
申請(qǐng)(專利權(quán))人：廣東省科學(xué)院智能制造研究所，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。