一种基于主成分分析的异常检测方法、装置及设备与流程

本发明涉及设备检测领域，特别涉及一种基于主成分分析的异常检测方法、装置及设备。

背景技术：

在“互联网+”的时代发展大潮下，工业互联网平台的搭建是工业自动化的迫切需求，其中异常检测是尤为关键的一步。近年来，工业互联网中数据采集设备收集了大量的多维时序数据用于进行工业设备的故障分析和预测性维护。但是，这些数据数量众多、模式多样且工况多变，再加上人工失误等因素造成的数据缺失和异常干扰等问题，工业自动化对异常检测方法的效率、效果和可靠性并不高。

目前针对于特定工业设备、特定工业环境下的时间序列异常检测方法已有一些研究，例如基于统计和机器学习模型的异常检测方法能较为有效地应用于各类检测任务，但是其效果高度取决于采集数据的数量和质量，并且经过实践检验单一模型的泛化能力有限，而工业检测场景类型繁多、随机干扰不可预见，若要针对每一种场景都进行算法开发，对于设备维护而言很可能得不偿失。

当前对于工业设备的监测主要是基于安装传感器的方式进行数据采集，不同类型的设备之间所采用的传感器差别较大，对于一些精密运转的仪器，对设备内部进行改造安装成本过高，这些更是给算法开发的增加了难度。

有鉴于此，提出本申请。

技术实现要素：

本发明公开了一种基于主成分分析的异常检测方法、装置及设备，旨在解决目前工业设备无法在具有多种随机因素下进行故障检测。

本发明第一实施例提供了一种基于主成分分析的异常检测方法，包括：

获取声音传感器采集设备运转的噪声原始信号，并提取所述噪声原始信号的特征值；

根据所述特征值获取所述噪声原始信号的多个周期性信号；

对多个所述周期性信号进行运算，生成主特征向量和pca编码；

根据所述主特征向量和所述pca编码建立噪声重建信号；

将所述噪声重建信号与噪声原始信号进行对比，生成误差信号，根据所述误差信号判断设备的运行状态。

优选地，所述特征值包括：均值、方差、高频段均值、低频段均值。

优选地，所述对多个所述周期性信号进行运算，生成主特征向量和pca编码具体为：

获取m个噪声原始信号的训练样本，每个所述训练样本为n维向量构成一个m×n的矩阵a，对矩阵a*a^t进行分解得m个n维的主特征向量u；

所述pca编码通过如下公式获得；

其中，为pca编码，为原始噪声原始信号。

优选地，所述根据所述主特征向量和所述pca编码建立噪声重建信号具体为：

将所述pca编码和所述主特征向量通过如下公式运算获得所述噪声重建信号；

其中，为噪声重建信号，为pca编码。

优选地，所述将所述噪声重建信号与噪声原始信号进行对比，生成误差信号，根据所述误差信号判断设备的运行状态具体为：

将所述噪声重建信号进和所述原始噪声原始信号通过如下公式运算获得所述误差信号；

其中，为噪声重建信号，为原始噪声原始信号。

本发明第二实施例一种基于主成分分析的异常检测装置，包括：

特征值提取单元，用于获取声音传感器采集设备运转的噪声原始信号，并提取所述噪声原始信号的特征值；

周期性信号获取单元，用于根据所述特征值获取所述噪声原始信号的多个周期性信号；

周期性信号运算单元，用于对多个所述周期性信号进行运算，生成主特征向量和pca编码；

噪声重建信号建立单元，用于根据所述主特征向量和所述pca编码建立噪声重建信号；

误差信号生成单元，用于将所述噪声重建信号与噪声原始信号进行对比，生成误差信号，根据所述误差信号判断设备的运行状态。

优选地，所述周期性信号运算单元具体用于：

获取m个噪声原始信号的训练样本，每个所述训练样本为n维向量构成一个m×n的矩阵a，对矩阵a*a^t进行分解得m个n维的主特征向量u；

所述pca编码通过如下公式获得；

其中，为pca编码，为原始噪声原始信号。

优选地，所述噪声重建信号建立单元具体用于：

将所述pca编码和所述主特征向量通过如下公式运算获得所述噪声重建信号；

其中，为噪声重建信号，为pca编码。

优选地，所述误差信号生成单元具体用于：

将所述噪声重建信号进和所述原始噪声原始信号通过如下公式运算获得所述误差信号；

其中，为噪声重建信号，为原始噪声原始信号。

本发明第三实施例一种基于主成分分析的异常检测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如上任意一项所述的一种基于主成分分析的异常检测方法。

基于本发明提供的一种基于主成分分析的异常检测方法、装置及设备，通过声音传感器采集工业设备运转时产生的噪声，提取所述噪声原始信号的特征值，同时获得噪声原始信号的周期信号,对周期信号进行主成分分析，获得的主特征向量主特征向量和pca编码，根据主特征向量和pca编码建立噪声重建信号，将噪声重建信号和噪声原始信号进行对比，以判断设备的运行状态，其采用硬件系统及软件代码，经过简单参数调试即可在大多数周期性运转的工业设备上移植应用，且声音监控具备非接触性等优良特性，是一种适合在工业界大规模应用的设备监测方法。

附图说明

图1是本发明第一实施例提供的一种基于主成分分析的异常检测方法流程示意图；

图2是本发明实施例提供的低采样率噪声特征示意图；

图3是本发明实施例提供的高采样率噪声特征示意图；

图4是本发明实施例提供的信号重建结果和误差示意图；

图5是本发明实施例提供的算法移植的效果演示示意图；

图6是本发明实施例提供的算法移植的效果演示示意图；

图7是本发明第二实施例提供的一种基于主成分分析的异常检测装置结构示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

以下结合附图对本发明的具体实施例做详细说明。

本发明公开了一种基于主成分分析的异常检测方法、装置及设备，旨在解决目前工业设备无法在具有多种随机因素下进行故障检测。

请参阅图1，本发明第一实施例提供了一种基于主成分分析的异常检测方法，其可由基于主成分分析的异常检测设备(以下简称异常检测设备)来执行，特别的，由异常检测设备内的一个或者多个处理器来执行，以实现如下步骤：

s101，获取声音传感器采集设备运转的噪声原始信号，并提取所述噪声原始信号的特征值；

在本实施例中，所述声音传感器可以是麦克风，放置在工业设备旁，以采集它运行时的声音，定义为噪声原始信号，其中，所述特征值可以包括均值、方差、高频段均值、低频段均值，但不仅限于此，其可以用来判定设备运行一个周期的起始和结束。

s102，根据所述特征值获取所述噪声原始信号的多个周期性信号；

在本实施例中，所述周期性信号可以通过人工在正常的周期性信号的开始和结束位置的准确标定获得，这个方式的好处是，标定获得的数据质量高，仅需要少量数据即可进行开发，在本实施例中，可使用5-10个周期即可取得较良好的效果。本实施例中，所述周期性信号还可以使用算法进行周期检测，此方法获得的数据比人工标定的数据质量上差一些，比如周期会出现一定的偏差，甚至使用了个别异常周期信号，其好处是可以获得大量数据，只要能够保证正常周期信号在数据中占足够大就不影响本算法的效果。

s103，对多个所述周期性信号进行运算，生成主特征向量和pca编码；

在本实施例中，可以将多个所述周期性信号组合成多元时序信号，再对多元时序信号通过主成分分析法进行处理，以获得包含设备运转状态关键信息的特征，排除噪声信号中包含的随机干扰的影响，其中，主成分分析法，是利用正交变换把高维数据中线性相关的各个维度投影到新坐标系统中，使得各个维度线性不相关，低阶特征保持对数据集的更大方差贡献，从而可利用新坐标在更低的维度下表示数据的特征。通过保留低阶主成分，舍弃高阶成分来保留数据的主要特征，从而规避各种随机干扰信号的影响。

在本实施例中，所述对多个所述周期性信号进行运算，生成主特征向量和pca编码具体为：

获取m个噪声原始信号的训练样本，每个所述训练样本为n维向量构成一个m×n的矩阵a，对矩阵a*a^t进行分解得m个n维的主特征向量u；

所述pca编码通过如下公式获得；

其中，为pca编码，为原始噪声原始信号。

s104，根据所述主特征向量和所述pca编码建立噪声重建信号；

在本实施例中，将所述pca编码和所述主特征向量通过如下公式运算获得所述噪声重建信号；

其中，为噪声重建信号，为pca编码。

s105，将所述噪声重建信号与噪声原始信号进行对比，生成误差信号，根据所述误差信号判断设备的运行状态。

在本实施例中，将所述噪声重建信号进和所述原始噪声原始信号通过如下公式运算获得所述误差信号；

其中，为噪声重建信号，为原始噪声原始信号。

具体地，以某机械零部件加工厂自动上下料车床的主转轴噪声检测为例，通过麦克风设备录制工业设备工作时的噪声，并进行简单的均值、方差、高频段均值、低频段均值四种特征提取后，获得如图2，3所示的4个通道的，采样率分别为1hz(低采样率模式)和24hz(高采样率模式)的特征信号。图2,中每个周期末尾(如a框所示)有一个很高的尖峰，为加工周期结束设备进行冲冷却液清洁的声音。不同通道的波形不尽相同，分析时可视情况选取特征更为明显的通道。

本实施例中，通过主成分分析法，利用已知的加工周期信号提取本征向量，并对后续信号进行测试。这里选择用低采样率信号的第一个特征进行学习，考虑到喷气清洁不视为有效加工流程的一部分，将图2中b红框所示信号标记为周期信号，舍弃蓝框内的高峰，不影响算法本身的效果。对该信号的重建信号以及计算误差如图4所示。其中，上面的图中1曲线为真实信号，2曲线为重建信号，相邻周期用不同背景色进行区分，从左到右前五个为用于训练参数的正常周期信号，最右边两个为同类型的周期信号，中间的全部为异常信号。从图4可看出，算法得到的误差值对正常信号和异常信号之间区分度足够大，能够用于异常周期检测。

本发明具备的一个非常大的优点在于其在不同场景与设备上，可以以极低的开发成本进行移植，图5和图6选取了4个与前述信号差异较大的实际设备噪声信号进行展示。在移植过程中，无需法的超参数进行任何改动便可得到如下图5和图6所示的结果。4个通道均选取信号包含明显异常的周期进行展示，其中虚线左侧的周期用于学习，右边的信号用于测试。由结果可见，异常周期出现多余的负尖峰、幅值及宽度变化等，重建误差都能有所体现，且异常成分越明显误差越大。由此证明，算法迁移成本低且效果可靠。

请参阅图7，本发明第二实施例一种基于主成分分析的异常检测装置，包括：

特征值提取单元201，用于获取声音传感器采集设备运转的噪声原始信号，并提取所述噪声原始信号的特征值；

周期性信号获取单元202，用于根据所述特征值获取所述噪声原始信号的多个周期性信号；

周期性信号运算单元203，用于对多个所述周期性信号进行运算，生成主特征向量和pca编码；

噪声重建信号建立单元204，用于根据所述主特征向量和所述pca编码建立噪声重建信号；

误差信号生成单元205，用于将所述噪声重建信号与噪声原始信号进行对比，生成误差信号，根据所述误差信号判断设备的运行状态。

优选地，所述周期性信号运算单203元具体用于：

获取m个噪声原始信号的训练样本，每个所述训练样本为n维向量构成一个m×n的矩阵a，对矩阵a*a^t进行分解得m个n维的主特征向量u；

所述pca编码通过如下公式获得；

其中，为pca编码，为原始噪声原始信号。

优选地，所述噪声重建信号建立单元204具体用于：

将所述pca编码和所述主特征向量通过如下公式运算获得所述噪声重建信号；

其中，为噪声重建信号，为pca编码。

优选地，所述误差信号生成单元205具体用于：

将所述噪声重建信号进和所述原始噪声原始信号通过如下公式运算获得所述误差信号；

其中，为噪声重建信号，为原始噪声原始信号。

本发明第三实施例一种基于主成分分析的异常检测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序实现如上任意一项所述的一种基于主成分分析的异常检测方法。

本发明第四实施例一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的一种基于主成分分析的异常检测方法。

基于本发明提供的一种基于主成分分析的异常检测方法、装置及设备，通过声音传感器采集工业设备运转时产生的噪声，提取所述噪声原始信号的特征值，同时获得噪声原始信号的周期信号,对周期信号进行主成分分析，获得的主特征向量主特征向量和pca编码，根据主特征向量和pca编码建立噪声重建信号，将噪声重建信号和噪声原始信号进行对比，以判断设备的运行状态，其采用硬件系统及软件代码，经过简单参数调试即可在大多数周期性运转的工业设备上移植应用，且声音监控具备非接触性等优良特性，是一种适合在工业界大规模应用的设备监测方法。

示例性地，本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现一种基于主成分分析的异常检测设备中的执行过程。例如，本发明第二实施例中所述的装置。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于主成分分析的异常检测方法的控制中心，利用各种接口和线路连接整个所述实现对一种基于主成分分析的异常检测方法的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现一种基于主成分分析的异常检测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除