[发明专利]基于深度学习的设备异常检测方法、系统及计算机介质

权利要求书

1.一种基于深度学习的设备异常检测方法，包括以下步骤：

获取被检测设备边缘一段时间内的加速度检测值，得到加速度检测值集合；

将所述加速度检测值集合输入异常检测网络模型进行训练，得到训练后的异常检测网络模型；

将当前加速度检测值输入所述训练后的异常检测网络模型进行加速度预测，得到当前加速度预测值；

根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备的状态。

2.根据权利要求1所述的设备异常检测方法，其特征在于，所述异常检测网络模型包括长短期记忆人工神经网络层以及全连接层。

3.根据权利要求1所述的设备异常检测方法，其特征在于，所述根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备状态，具体包括：

当所述差值大于阈值时，判定被检测设备处于异常状态；

当所述差值小于或等于阈值时，判定被检测设备处于正常状态。

4.根据权利要求1所述的设备异常检测方法，其特征在于，所述根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备状态，具体包括：

将所述差值进行归一化校正后，得到矫正差值；

将所述矫正差值与阈值进行比较，判断被检测设备状态。

5.根据权利要求1所述的设备异常检测方法，其特征在于，所述根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备状态，具体包括：

将所述差值进行指数滑动平均后，得到平均差值；

将所述平均差值与阈值进行比较，判断被检测设备状态。

6.根据权利要求4所述的设备异常检测方法，其特征在于，所述根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备状态，具体包括：

将所述矫正差值进行指数滑动平均后，得到平均矫正差值；

将所述平均矫正差值与阈值进行比较，判断被检测设备状态。

7.根据权利要求1所述的设备异常检测方法，其特征在于，所述将所述差值进行归一化校正后，得到矫正差值，所述矫正差值θ的具体计算公式为：

其中，Cv为历史的加速度预测值，Av为历史的加速度检测值，n为检测次数；

所述将所述矫正差值进行指数滑动平均后，得到平均矫正差值，所述平均矫正差值的计算公式为：

其中，β为0.1至0.4之间数值，t为当前检测时间，t-1为上一检测时间，θ_t为当前时间的矫正差值。

8.一种基于深度学习的设备异常检测系统，其特征在于，具体包括：

加速度检测模块：用于获取被检测设备边缘一段时间内的加速度检测值，得到加速度检测值集合；

模型训练模块：用于将所述加速度检测值集合输入异常检测网络模型进行训练，得到训练后的异常检测网络模型；

加速度预测模块：用于将当前加速度检测值输入所述训练后的异常检测网络模型进行加速度预测，得到当前加速度预测值；

设备异常检测模块：用于根据所述当前加速度检测值以及当前加速度预测值之间的差值，判断被检测设备的状态。

9.一种基于深度学习的设备异常检测设备，其特征在于，包括：

存储器：用于存储可执行指令；以及

处理器:用于与所述存储器连接以执行所述可执行指令从而完成权利要求1-7任一项所述的基于深度学习的设备异常检测方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于深度学习的设备异常检测方法。