[发明专利]一种轴承异常检测方法及系统

说明书

本发明公开了一种轴承异常检测方法及系统。该方法包括：获取轴承加速度样本数据；对加速度样本数据进行预处理；采用自动编码机挖掘预处理后的加速度样本数据的特征数据；对各加速度样本数据对应的特征数据进行聚类分析；根据聚类分析结果，确定正常特征数据和异常特征数据；以特征数据为样本，以特征数据的正常或异常为标签，对神经网络进行训练，得到神经网络模型；获取待检测轴承加速度数据；对待检测轴承加速度数据进行预处理；采用自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据；将待检测轴承加速度数据的特征数据输入神经网络模型，得到待检测轴承加速度数据是否异常的结果。本发明能够对轴承的异常与否进行直接地识别。

技术领域

本发明涉及异常检测技术领域，特别是涉及一种轴承异常检测方法及系统。

背景技术

异常检测问题是机器学习中的一个应用，是分类问题的一个特殊应用。所谓异常事件，就是在样本中非常稀少、难以预测的非预期事件，这些异常样本一般不能有类似的特征，因此很难把这些事件分类到同一个类别之中。异常问题在样本中的分布高度不均衡，并且异常的方式各不相同，不能加以分类。异常问题通常是一些当前知识不足以定义其类型，因此不会提供带有已标记样例的训练集，所以异常检测的问题往往使用无监督的方法建模，或者在只有正常样例的训练集上训练机器学习模型，根据预测值和真实值之间的偏差来触发异常。

对于轴承的异常检测问题，由于异常数据的周期特征不明显，并且数据噪声比较多，因此，不能把所有的异常数据分类到一个类别中，进而为轴承的异常检测带来了很大的困难。

发明内容

本发明的目的是提供一种轴承异常检测方法及系统，能够对轴承的异常与否进行直接地识别。

为实现上述目的，本发明提供了如下方案：

一种轴承异常检测方法，包括：

获取轴承加速度样本数据；

对所述加速度样本数据进行预处理；

采用自动编码机挖掘预处理后的加速度样本数据的特征数据；

对各所述加速度样本数据对应的特征数据进行聚类分析，得到分类结果；

根据分类结果，确定正常特征数据和异常特征数据；

以所述特征数据为样本，以所述特征数据的正常或异常为标签，对神经网络进行训练，得到神经网络模型；

获取待检测轴承加速度数据；

对所述待检测轴承加速度数据进行预处理；

采用所述自动编码机挖掘预处理后的待检测轴承加速度数据的特征数据；

将所述待检测轴承加速度数据的特征数据输入所述神经网络模型，得到所述待检测轴承加速度数据是否异常的结果。

可选的，所述对所述加速度样本数据进行预处理，具体包括：

通过采用插值法对所述加速度样本数据进行插值，以统一各所述加速度样本数据的长度。

可选的，在所述通过采用插值法对所述加速度样本数据进行插值之前，还包括：

获取预设阈值n；

选取所述加速度样本数据中第n个的数据之后的数据，作为新的加速度样本数据。

可选的，所述采用自动编码机挖掘的特征数据包括一个周期的轴承加速度特征数据以及剩余周期特有的特征数据。

可选的，所述对各所述加速度样本数据对应的特征数据进行聚类分析，具体包括：

计算各所述特征数据之间的相似度，得到相似度矩阵；

根据所述相似度矩阵计算度矩阵和Laplace矩阵；