[发明专利]旋转型机械设备异常检测方法及装置

权利要求书

1.一种旋转型机械设备异常检测方法，其特征在于，包括：

获取旋转型机械设备运行过程中的状态数据，并对所述状态数据进行特征提取；

将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型；

其中，所述异常检测模型根据异常检测算法构建，并根据多个正常状态数据作为样本进行训练后获得，所述异常检测算法包括基于密度的异常检测算法、基于邻近度的检测算法及基于模型的检测算法，所述第一异常类型包括正常和异常。

2.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述异常检测模型包括多个子模型；

相应地，将提取得到的特征数据输入至预设的异常检测模型，根据所述异常检测模型的输出结果，获取状态数据对应的第一异常类型，具体为：

将提取得到的特征数据分别输入至预设的异常检测模型的每一子模型，所述每一子模型分别获得对应的检测结果，根据所述异常检测模型对多个检测结果进行融合后的输出结果，获取状态数据对应的第一异常类型。

3.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，若获取到的第一异常类型为异常，则将提取得到的特征数据输入至预设的二分类检测模型，根据所述二分类检测模型输出的标签类型，获取状态数据对应的第二异常类型；

其中，所述二分类检测模型根据分类算法构建，并根据带有第一标签的指定工况状态数据以及带有第二标签的其它工况状态数据作为样本，进行训练后得到，所述分类算法包括基于线性的分类算法、基于非线性的分类算法及基于树的分类算法，所述第二异常类型包括异常和正常。

4.根据权利要求3所述的旋转型机械设备异常检测方法，其特征在于，若所述第二异常类型为异常；

将提取得到的特征数据输入至预设的多分类检测模型，根据所述多分类检测模型的输出结果，获取状态数据为不同工况类型的概率；

结合二分类检测模型对应的指定工况，确定状态数据对应的工况类型；

其中，所述多分类检测模型根据多分类算法构建，并根据带有标签类型的多种工况状态数据作为样本进行训练后得到，所述多分类算法包括机器学习算法以及集成学习算法。

5.根据权利要求4所述的旋转型机械设备异常检测方法，其特征在于，结合第二异常类型获得的指定工况，确定状态数据对应的工况类型，包括：

获取概率最大的两种工况，若最大概率小于50％，且最大概率工况与指定工况一致，或最大概率大于50％，则确定工况类型为最大概率的工况；

若最大概率小于50％，第二大概率工况与指定工况一致，则确定工况类型为第二大概率的工况；

若最大概率小于50％，最大概率、第二大概率工况与指定工况都不一致，则确定工况类型为最大概率工况。

6.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述获取旋转型机械设备运行过程中的状态数据之后，还包括：

对所述状态数据进行数据预处理；

相应地，对所述状态数据进行特征提取，具体为：

对数据预处理后的状态数据进行特征提取；

所述数据预处理包括去均值处理、数据清洗及数据滤波中的一种或多种。

7.根据权利要求1所述的旋转型机械设备异常检测方法，其特征在于，所述对所述状态数据进行特征提取之后，还包括：

对提取到的特征进行特征预处理；

相应地，将提取得到的特征数据输入至预设的异常检测模型，具体为：

将预处理后的特征数据输入至预设的异常检测模型；

所述特征预处理包括特征降维及特征组合。