[发明专利]多测点样本结构信息显式表征下的机械设备异常检测方法

说明书

本发明公开了一种多测点样本结构信息显式表征下的机械设备异常检测方法，本发明构建了多测点状态检测样本结构信息表征模块以统计各测点检测样本之间的相关性，并采用多头注意力机制自适应加权集成多次相关性分析的结果，以此为基础显式表征多测点状态检测样本的结构信息，之后构建空域图卷积神经网络、多通道解码器并与多测点状态检测样本结构信息表征模块相结合作为异常检测模型计算得到多测点监测数据的重构损失，并基于指数加权移动平均的方法计算得到异常检测阈值，最终实现多测点无故障训练样本条件下的机械设备异常检测。本发明基于有监督学习框架，为多测点无故障训练样本条件下机械设备异常检测提供了一种有效方案。

技术领域

本发明涉及机械设备异常检测领域技术领域，特别涉及一种多测点样本结构信息显式表征下的机械设备异常检测方法。

背景技术

机械设备异常检测是通过采用合适的信号处理技术对设备监测数据进行分析处理，提取状态特征，并制定异常识别策略进而判断机械设备运行是否正常的方法。在实际应用过程中，单一传感器易受环境中复杂背景噪声等不确定性因素的影响，为提升检测结果的可靠性，常在多个测点布置传感器采集机械设备多测点监测数据并用于分析处理。然而，复杂机械设备多部件振动响应耦合作用下各测点监测数据存在关联关系高度非线性、重要度显著差异性导致多测点监测数据难以合理利用，特征提取与融合的效果难以达到最佳，反而降低了异常检测的准确率。因此，有必要开展适用于多测点监测数据的机械设备异常检测方法研究。

传统异常检测方法(主成分分析、复合谱技术等)在处理多测点监测数据时依赖先验知识人工选择特征指标，在多测点监测数据特征提取与融合应用过程中效果不佳，异常检测结果的准确率低。近年来，以深度神经网络为代表的智能学习方法采用数据驱动的方式构建模型，可以通过训练模型参数自适应提取融合特征，已被应用于数据融合以及异常检测领域。然而，现有智能学习方法在特征提取时仅针对各测点数据依此进行特征提取，再对获取的特征进行融合，在特征提取阶段忽略了不同测点数据之间的潜在联系，导致融合特征难以完整表征设备监测数据中蕴含的健康状态信息。因此，需要研究一种能够充分挖掘多测点监测数据中机械设备健康状态信息的异常检测方法。

发明内容

本发明的目的在于提供一种多测点样本结构信息显式表征下的机械设备异常检测方法，以解决现有技术存在的问题，本发明构建了多测点状态检测样本结构信息表征模块以统计各测点检测样本之间的相关性，并采用多头注意力机制自适应加权集成多次相关性分析的结果，以此为基础显式表征多测点状态检测样本的结构信息，之后构建空域图卷积神经网络、多通道解码器并与多测点状态检测样本结构信息表征模块相结合作为异常检测模型计算得到多测点监测数据的重构损失，并基于指数加权移动平均的方法计算得到异常检测阈值，最终实现多测点无故障训练样本条件下的机械设备异常检测。

为达到上述目的，本发明采用如下技术方案：

多测点样本结构信息显式表征下的机械设备异常检测方法，包括以下步骤：

步骤1：以被检测对象各部件多个测点的传感器采集到的一维振动信号作为目标信号，通过对采集到的一维振动信号进行预处理得到多测点状态检测样本，将机械设备正常状态下采集得到的正常多测点状态检测样本作为训练集，其他状态下采集得到的其他多测点状态检测样本作为测试集；

步骤2：基于自注意力层构建多测点状态检测样本结构信息表征模块，通过统计各测点检测样本之间的相关性，计算获得多测点状态检测样本的自相关矩阵，并采用多头注意力机制自适应加权集成多次相关性分析的结果，以此为基础显式表征多测点状态检测样本的结构信息，之后构建空域图卷积神经网络处理生成的多测点状态检测样本结构信息的显式表征，并实现各测点状态检测样本的有效融合；