申请/专利权人:河北工业大学
申请日:2022-12-05
公开(公告)日:2023-03-17
公开(公告)号:CN115809405A
主分类号:G06F18/15
分类号:G06F18/15;G06F18/25;G06F18/2431;G06F18/2433
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.04.04#实质审查的生效;2023.03.17#公开
摘要:本发明为一种基于多特征融合的风机主轴齿轮箱温度异常检测方法,首先读取风机主轴齿轮箱的历史温度序列并进行数据清洗和归一化处理;然后,利用孤立森林算法对各个采样点的温度进行异常检测,得到全局温度异常点;接着,依次将相邻两个采样点的温度作差,得到温度差值序列,再次利用孤立森林算法检测异常温度差值,将异常温度差值对应的后一个采样点作为局部温度异常点;然后,构建温度预测模型,得到各个采样点的温度预测值;最后,将全局温度异常点、局部温度异常点和采样点的温度预测值进行融合,得到各个采样点的温度异常权重,若温度异常权重大于温度异常权重阈值,则判定该采样点的温度异常,否则温度不异常。该方法考虑上下文异常的同时考虑离群点异常,提高了检测准确度,为风机运维提供参考。
主权项:1.一种基于多特征融合的风机主轴齿轮箱温度异常检测方法,其特征在于,该方法包括以下步骤:步骤一:读取风机主轴齿轮箱的历史温度序列并进行数据清洗,历史温度序列记为X0={x1,x2,…,xn},n表示采样点数量;对历史温度序列进行归一化处理,得到归一化的历史温度序列;步骤二:利用孤立森林算法对各个采样点的温度进行异常检测,得到全局温度异常点;步骤三:依次将历史温度序列中相邻两个采样点的温度作差,得到温度差值序列X'={x'1,x'2,…,x'n-1};其中,x'1=x2-x1;使用孤立森林算法对温度差值序列进行异常检测,得到异常温度差值;由于温度差值是相邻两个采样点的温度作差得到,故选取异常温度差值对应的后一个采样点作为局部温度异常点;步骤四:基于卷积神经网络构建温度预测模型并对模型进行训练,将归一化的历史温度序列输入到训练后的温度预测模型中,得到各个采样点的温度预测值;步骤五:利用下式计算各个采样点的温度异常权重,若温度异常权重大于温度异常权重阈值,则判定该采样点的温度异常,否则温度不异常; 其中,α、β、δ均为常系数,yj表示第j个采样点的温度归一化值;ypre为温度预测值,yreal为温度真实值;Tano表示第j个采样点是否为全局温度异常点,若是则取1,否则取0;Dano表示第j个采样点是否为局部温度异常点,若是则取1,否则取0。
全文数据:
权利要求:
百度查询: 河北工业大学 基于多特征融合的风机主轴齿轮箱温度异常检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。