[发明专利]一种缓变信号检测方法和装置

权利要求书

1.一种缓变信号检测方法，其特征在于，包括：

采集待测设备产生的缓变信号，并根据所采集的缓变信号，确定待检测特征数据；

将所确定的待检测特征数据输入预先训练好的概率神经网络模型，确定所述待测设备的工作状况；

根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型；

将所采集的缓变信号进行分窗时移处理后，输入所确定的长短期记忆神经网络模型，确定所述缓变信号的状态；

其中，所述将所采集的缓变信号进行分窗时移处理后，输入所确定的所述长短期记忆神经网络模型，确定所述缓变信号的状态，包括：

将分窗时移处理后的数据输入所确定的长短期记忆神经网络模型，根据所确定的长短期记忆神经网络模型的正常训练模型参数，确定正常状况学习误差；根据所确定的长短期记忆神经网络模型的异常训练模型参数，确定异常状况学习误差；

计算所述正常状况学习误差对应的向量的第一平均值，计算所述异常状况学习误差对应的向量的第二平均值，如果所述第一平均值小于所述第二平均值，则确定缓变信号的状态为正常；否则，则确定缓变信号的状态为异常。

2.根据权利要求1所述的方法，其特征在于：

其中，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：

根据所述待测设备的工作状况，利用该工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用该工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数；

或者，所述根据所述待测设备的工作状况，确定对应的长短期记忆神经网络模型，包括：

根据所述待测设备的工作状况，从预先已完成初始化和训练的至少一个长短期记忆神经网络模型中选择该工作状况的长短期记忆神经网络模型，

其中，所述至少一个预先已完成初始化和训练的长短期记忆神经网络模型，包括：按照各个不同工作状况，分别执行以下步骤后得到的不同工作状况的长短期记忆神经网络模型：

利用当前工作状况下的正常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的正常训练模型参数；利用当前工作状况下的异常样本数据进行长短期记忆神经网络模型的初始化和训练，确定该模型的异常训练模型参数。

3.根据权利要求1所述的方法，其特征在于，

其中，所述概率神经网络模型预先根据以下方法训练得到：

预先收集所述待测设备在不同工作状况下产生的对应的缓变信号；

从中分别提取正常信号数据作为正常样本数据，提取异常信号数据作为异常样本数据；

对不同工作状况分别进行如下处理：根据该工作状况下的正常样本数据确定该工作状况下的正常特征矩阵，根据该工作状况下的异常样本数据确定该工作状况下的异常特征矩阵；

将不同工作状况下的正常特征矩阵和对应的工作状况标签，以及不同工作状况下的异常特征矩阵和对应的工作状况标签，输入所述概率神经网络模型进行训练，确定所述概率神经网络模型的训练模型参数。

4.根据权利要求1所述的方法，其特征在于，

其中，所述根据所采集的缓变信号，确定待检测特征数据，包括：

根据所采集的缓变信号，确定所对应的工作状况是否多于一种；

当多于一种工作状况时，将所采集的缓变信号分割为对应的多于一个的缓变信号数据子集，根据各缓变信号数据子集分别确定对应的待检测特征数据；

当只有一种工作状况时，根据所采集的缓变信号确定对应的待检测特征数据。

5.根据权利要求3所述的方法，其特征在于，

其中，所述确定正常特征矩阵，包括：

根据预设的第一移动窗宽和第一时移步数，将所述正常样本数据进行分时段时移，得到第一分窗时移矩阵，对所述第一分窗时移矩阵进行云特征提取，得到所述正常特征矩阵；

其中，所述确定异常特征矩阵，包括：

根据预设的第二移动窗宽和第二时移步数，将所述异常样本数据进行分时段时移，得到第二分窗时移矩阵，对所述第二分窗时移矩阵进行云特征提取，得到所述异常特征矩阵。