[发明专利]一种缓变信号检测方法和装置

说明书

本发明公开了一种缓变信号检测方法，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。本发明还公开了一种缓变信号检测装置。

技术领域

本发明涉及计算机技术领域，尤指一种基于深度学习的缓变信号异常检测方法。

背景技术

PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。

目前，PHM技术对于实施装备缓变信号过程性异常检测的方法主要有：基于BP神经网络检测方法，基于卡尔曼滤波检测方法，基于灰色模型检测方法，基于深度学习检测方法。

基于BP Back Propagation神经网络方法的缺陷在于：学习速度慢，简单的问题要学习上百次甚至上千次才能够收敛。容易陷入局部最优化，对于推断能力十分有限，网络模型参数易选取不当。基于卡尔曼滤波方法缺陷在于：不具备应对干扰变化的能力，对于不确定的扰动易出现滤波发散从而导致检测精度下降。基于灰色模型检测方法的缺陷在于：容易破坏原始时间序列自身的周期性和多种趋势特性，降低模型的鲁棒性。

相比于上述几种方法，基于深度学习的检测方法的优点在于：它有很强的非线性问题处理能力，以及强大的表征能力，并行处理，自适应学习等优点。

然而，缓变信号具有变化缓慢，频率低，信号特征提取不明显等特点。特别地，过程性缓变信号时序性突变(工况变化)的特点为异常信号的检测增大了难度。目前的基于数据的检测方法难以对其进行有效的信号异常检测。因此还需要改进现有的算法或者开发新的算法来解决这一难点问题。。

发明内容

为了解决上述技术问题，本发明提供了一种基于深度学习的缓变信号检测方法，精确的检测过程性信号异常，可以有效避免陷入局部最优，有较强的推断能力，并且可以避免检测精度以及模型鲁棒性降低的问题。

本发明提供一种缓变信号检测方法，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。

可选地，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，