[发明专利]一种基于lstm的电机电流异常检测方法

权利要求书

1.一种基于lstm的电机电流异常检测方法，其特征在于：包括以下步骤：

S1.异常检测模型训练阶段：

S11：数据采集及处理，首先采集电机的历史电流信号，进行工况划分，获得目标工况的电流信号，去除离群点；工况划分包含以下步骤：

S11.1输入数据：网关采集的电机的历史电流信号；

S11.2模型选择：采用HMM模型对输入数据进行训练；

S11.3模型参数设置：电机的工况包括停机、待机、加工工况，过滤停机信号以及启机电流，并将隐含状态数量设置为2；

S11.4返回模型结果：训练完成后将模型保存至本地，同时取出加工电流信号，作为目标工况的电流信号；

S11.5计算目标工况的电流信号中的下四分位数q1、上四分位数q3以及四分位距iqr=q3 - q1，设置四分位距系数ratio=2；

S11.6计算箱体上边缘q3 + ratio*iqr，以及下边缘q1 - ratio*iqr；

S11.7超出上边缘或者下边缘的点即为离群点，去掉离群点；

S12：特征提取，从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得训练样本；具体包括以下步骤：

S12.1特征提取：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，包括峰峰值、有效值、峰值因子、裕度因子、脉冲因子、峭度因子，形成240*6的特征矩阵，否则从步骤S11开始，重新选取历史电流信号，重复步骤S11-S12；

S12.2归一化：对特征矩阵进行归一化，归一化采取min-max归一化方式，归一化scaler模型保存至本地；

S13：模型训练，采用lstm算法对训练样本进行训练，保存训练好的lstm模型作为预测器，保存报警阈值；具体包括以下步骤：

S13.1构建建模特征输入形状，将特征矩阵240*6形状变成24*10*6；

S13.2采用keras框架建立lstm模型，模型分为三层，第一层神经元个数为32，第二层神经元个数为16，第三层神经元个数为6，优化器optimizer为“adam”，损失函数loss为“mae”；

S13.3模型训练，训练参数设置为：训练循环次数iterations=5，每次循环训练模型迭代轮次epochs=100，每次梯度更新的样本数batch_size=72，训练输入数据为特征矩阵24*10*6，训练输出数据与训练输入数据相同，待收敛后，将lstm模型保存至本地，并计算出预测输出与实际输出的平均绝对误差的最大值，乘以一个系数作为报警阈值；

S2.异常检测模型预测阶段：

S21：通过定时查询数据库的方式，获取实时采集电机的电流信号；

S22：对采集的电流信号进行工况划分，获得目标工况的电流信号，去除离群点；

S23：从处理过后的目标工况的电流信号中提取特征，并进行归一化，获得预测样本；

S24：将预测样本传入先前训练好的预测器中，获取的结果与报警阈值进行比较，超过则报警。

2.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S11中通过网关采集电机的历史电流信号，频率为10S一组。

3.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S21定时查询数据库，时间定为每日凌晨零点开始查询，查询昨日零点至今日零点的电流信号。

4.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S22调用先前训练好的HMM模型提取目标工况的电流信号。

5.如权利要求1所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S23中的特征提取，要先做判断：将处理过的目标工况电流信号均分为240份，如果每份数据数量超过20个，则继续对每一份数据提取特征，形成240*6的特征矩阵，否则停止后续操作，等待下一次定时查询数据库；归一化，是采用先前训练好的归一化scaler模型对提取的特征矩阵进行归一化。

6.如权利要求5所述的一种基于lstm的电机电流异常检测方法，其特征在于：步骤S24在调用先前训练好的lstm模型之前，需要重新构建建模特征输入，将其变成24*10*6的形状，调用之前训练好的lstm模型后，计算预测输出与实际输出的平均绝对误差，并与报警阈值作对比，高于阈值则报警。