[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

说明书

本申请提供了一种基于深度学习的设备异常检测方法、系统及计算机介质，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；输入当前加速度检测值至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。本申请通过实时检测被检测设备的边缘加速度数值，可以准确、及时检测出被测设备的异常状态。

技术领域

本申请属于设备检测技术领域，具体地，涉及一种基于深度学习的设备异常检测方法、系统及计算机介质。

背景技术

目前，异常检测技术被广泛应用到各个应用领域之中，包括工业设备检查、大楼玻璃幕墙维护等。具体应用场景包括：1)风电行业：基于风机的机理结构，结合风场运营实际需求，通过对风机的振动检测以及风叶的异常监测，提供风场运营实时监控、在保证风机安全可靠运行的前提下，最大限度提升风机效能，优化风场运营维护效率。2)机械制造行业：轴承是机械制造行业的关键部分。在运转中倘若发生破损等故障，会导致机械设备的停机或者功能受损等各种障碍。通过异常振动检测算法可实时监测轴承的运转状态，及时发现预警并针对故障进行分类检测。3)港口行业：港口中的岸吊、起重机、龙门吊、牵引机等长期在室外不间断运行，需及时掌握设备健康状态。基于异常振动检测算法的预测性维护系统可预测设备早期故障、提前制定检修计划，大大节约维修成本、保证产品质量、设备人员安全。4)自动驾驶行业：利用异常检测算法可检测自动驾驶车的发动机是否异常等；5)玻璃幕墙检测：目前玻璃幕墙作为现代建筑的主流外墙形式之一，其安全性尤其重要，特别是高层建筑，利用异常振动检测算法可及时检测玻璃幕墙是否异常，避免发生危险事件。

目前异常检测技术一般包含基于规则、基于统计等方法。其中，基于规则的异常检测受限于专家知识，规则库可能不完善，且规则库需要经常更新，否则无法发现新的异常种类。而基于统计的异常检测技术对假设依赖比较严重，造成检测结果的严重失真。

因此，亟需一种针对设备异常进行检测的方法，可以准确、及时检测出被测设备的异常状态。

发明内容

本发明提出了一种基于深度学习的设备异常检测方法、系统及计算机介质，旨在解决目前设备异常的检测技术，受限于专家知识，不能及时准确发现设备异常的问题。

根据本申请实施例的第一个方面，提供了一种基于深度学习的设备异常检测方法，具体包括以下步骤：

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；

将加速度检测值集合输入至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至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。

本申请一些实施方式中，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。

本申请一些实施方式中，根据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：

当差值大于阈值时，判定被检测设备处于异常状态；

当差值小于或等于阈值时，判定被检测设备处于正常状态。

本申请一些实施方式中，根据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：

将差值进行归一化校正后，得到矫正差值；

将矫正差值与阈值进行比较，判断被检测设备状态。