[发明专利]一种基于深度学习的复杂装备点异常检测方法及系统有效
| 申请号： | 201810131253.0 | 申请日： | 2018-02-09 |
| 公开（公告）号： | CN108334907B | 公开（公告）日： | 2019-05-17 |
| 发明（设计）人： | 付旭云;钟诗胜;林琳;张光耀 | 申请（专利权）人： | 哈尔滨工业大学（威海） |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 北京格允知识产权代理有限公司 11609 | 代理人： | 张沫;周娇娇 |
| 地址： | 264209*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度学习的复杂装备点异常检测方法及系统，其中方法包括：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。本发明对于复杂装备尤其是航空发动机出现的点异常检测效果明显。 | ||
| 搜索关键词： | 复杂装备 异常检测 特征提取模型 异常检测模型 训练样本集 监控性能 模型训练 航空发动机 特征提取步骤 异常检测步骤 待测样本 特征标准 特征构建 特征输入 训练样本 正常样本 构建 样本 学习 检测 | ||
【主权项】：
1.一种基于深度学习的复杂装备点异常检测方法，其特征在于，包括以下步骤：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测；所述特征提取步骤中所使用的SDAE的特征提取模型的结构通过以下步骤确定：1)构建200个不同结构的SDAE，其中DAE的输入层‑隐层‑输出层的结构为a‑X‑Y，其中1≤X≤20，1≤Y≤10，X，Y分别为隐层和输出层的个数，且均为整数，a为输入层的个数，与所述训练样本处理步骤中选取的复杂装备的监控性能参数的个数一致；2)将训练样本集的原始参数输入到200个不同结构的SDAE中，得到对应的200组特征集；3)针对每个结构的SDAE得到的特征进行分析，通过分析特征之间的相关性，筛选无效特征；4)筛选无效特征之后，根据各个SDAE的特征集相关度，选取各特征之间相关度小SDAE结构，作为异常检测模型中的特征提取模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学（威海），未经哈尔滨工业大学（威海）许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810131253.0/，转载请声明来源钻瓜专利网。
