一种设备异常检测方法、装置和存储介质

技术领域

本申请涉及船舶综合保障系统技术领域，更具体地涉及一种基于多传感器数据的设备异常检测方法、装置和存储介质。

背景技术

随着电子和通信等技术的快速发展，传感器网络如今已经广泛应用于环境监测、交通监控、安全监测、工农业生产等诸多领域。通过传感器数据可以实现对物理量的实时测量，从而发现设备偏离正常工作状态的异常现象。异常检测已经成为传感器网络的重要应用之一,得到越来越多的重视和应用。因此，在传感器网络中使用一种高效并且准确的异常检测方法对实际应用是尤为重要的。

基于传感器数据检测设备异常面临的一个主要问题是，一般被检测对象都处于正常工作状态，异常工作状态很少发生，因此传感器采集的正常状态数据非常多，采集的异常数据非常少，因此无法提供足够多的异常状态数据样本进行学习建立模型，从而导致因缺乏大量标准的异常检测数据而无法采用卷积神经网络算法进行学习训练来识别异常状态。

传统的基于传感器数据来检测设备的异常情况时，可以根据正常状态下的传感器数据来构建栈式自编码器模型，然后根据栈式自编码器模型计算待检测传感器数据的重构残差，并确定该重构残差是否在正常状态下的重构残差范围内，以判断待检测传感器数据是否存在异常。但是传统的基于传感器数据的异常检测仅仅是孤立的分析传感器数据是否异常，而忽略了传感器数据之间的关联性。有时候传感器在一种情况下采集的数据表现为正常数据，但是在另一种情况下，采集的数据表现为异常数据。传统的基于传感器数据来检测设备的异常情况时无法检测出这种情况，准确度不高。

因此需要进行改进，以解决上述问题。

发明内容

为了解决上述问题中而提出了本申请。根据本申请一方面，提供了一种设备异常检测方法，所述方法包括：

根据多个正常传感器数据样本构建堆栈式胶囊自编码器；

获取多个待检测传感器数据，并计算所述多个待检测传感器数据对应的特征图像；

将所述特征图像输入所述堆栈式胶囊自编码器，获得所述多个待检测传感器数据的重构残差；

将所述重构残差与正常传感器数据的重构残差范围进行比对，以确定待检测设备是否异常；

其中，所述多个待检测传感器数据的数据类型与所述多个正常数据样本的数据类型及数量一致。

在本申请的一个实施例中，获取多个待检测传感器数据，并计算所述待检测传感器数据对应的特征图像，包括：

获取所述多个待检测传感器数据；

将每个所述待检测传感器数据进行变分模态分解，获得每个所述待检测传感器数据对应的多个模态分量；

将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组；

根据所述多个待检测传感器的数据、每个传感器进行变分模态分解获得的所述模态分量的数量以及每个模态分量的特征数量，构建所述待检测传感器数据的特征图像。

在本申请的一个实施例中，将每个所述待检测传感器数据进行变分模态分解，获得每个所述待检测传感器数据对应的多个模态分量，包括：

将每个所述待检测传感器数据分解成预设数量的模态分量；

利用希尔伯特变换把所述预设数量的模态分量从实信号转换为解析信号；

构造约束变分模型，其中所述约束变分模型的优化函数为：

其中，x(t)表示待分解信号；x

在傅里叶时域和频域中，利用交替方向乘法算法对所述优化函数进行优化，直至误差达到预设误差范围。

在本申请的一个实施例中，将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组，包括：

将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的多个特征；

在所述多个特征中任意选择预设数量的特征，构成所述所述模态分量的特征组；

其中，所述多个特征的计算公式为：

T4

/>

T8

其中，x

在本申请的一个实施例中，其中，所述预设数量大于等于3且小于等于8。

在本申请的一个实施例中，其中，正常传感器数据的重构残差范围为根据所述多个正常数据样本计算得到的。

在本申请的一个实施例中，将所述重构残差与正常传感器数据的重构残差范围进行比对，以确定待检测设备是否异常，包括：

将所述重构残差与正常传感器数据的重构残差范围进行比对；

当所述重构残差在所述正常传感器数据的重构残差范围内，则确定所述待检测传感器数据对应的待检测设备为正常状态；

否则，所述待检测传感器数据对应的待检测设备为异常状态。

根据本申请另一方面，提供一种设备异常检测装置，所述装置包括：

构建模块，用于根据多个正常传感器数据样本构建堆栈式胶囊自编码器；

获取模块，用于获取多个待检测传感器数据，并计算所述多个待检测传感器数据对应的特征图像；

输入模块，用于将所述特征图像输入所述堆栈式胶囊自编码器，获得所述多个待检测传感器数据的重构残差；

比对模块，用于将所述重构残差与正常传感器数据的重构残差范围进行比对，以确定待检测设备是否异常；

其中，所述多个待检测传感器数据的数据类型与所述多个正常数据样本的数据类型及数量一致。

在本申请的一个实施例中，所述获取模块，包括：

第一获取子模块，用于获取所述多个待检测传感器数据；

第一分解子模块，用于将每个所述待检测传感器数据进行变分模态分解，获得每个所述待检测传感器数据对应的多个模态分量；

第二分解子模块，用于将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组；

第一构建子模块，用于根据所述多个待检测传感器的数据、每个传感器进行变分模态分解获得的所述模态分量的数量以及每个模态分量的特征数量，构建所述待检测传感器数据的特征图像。

在本申请的一个实施例中，所述第一分解子模块还用于：

将每个所述待检测传感器数据分解成预设数量的模态分量；

利用希尔伯特变换把所述预设数量的模态分量从实信号转换为解析信号；

构造约束变分模型，其优化函数为：

其中，x(t)表示待分解信号；x

在傅里叶时域和频域中，利用交替方向乘法算法对所述优化函数进行优化，直至误差达到预设误差范围。

在本申请的一个实施例中，所述第二分解子模块还用于：

将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的多个特征；

在所述多个特征中任意选择预设数量的特征，构成所述所述模态分量的特征组；

其中，所述多个特征的计算公式为：

T4

T8

其中，x

在本申请的一个实施例中，所述比对模块还用于：

将所述重构残差与正常传感器数据的重构残差范围进行比对；

当所述重构残差在所述正常传感器数据的重构残差范围内，则确定所述待检测传感器数据对应的待检测设备为正常状态；

否则，所述待检测传感器数据对应的待检测设备为异常状态。

根据本申请再一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行上述设备异常检测方法。

根据本申请的本申请的设备异常检测方法、装置和存储介质，基于多个传感器数据的关联性，采用堆栈式胶囊自编码器对多个传感器数据进行分析，可以显著提高对检测待检测设备是否处于异常状态的准确度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1示出根据本申请实施例的设备异常检测方法的示意性流程图；

图2示出采用根据本申请实施例的构建堆栈式胶囊自编码器的示意性流程图；

图3示出采用根据本申请实施例的计算所述正常数据样本的特征图像的示意性流程图；

图4示出采用根据本申请实施例的对每个待检测传感器数据进行变分模态分解的示意性流程图；

图5示出采用根据本申请实施例的将每个模态分量再次进行变分模态分解的示意性流程图；

图6示出采用根据本申请实施例的其中一个模态分量s的示意图；

图7示出采用根据本申请实施例的对信号s进行模态分解的示意图；

图8(a)示出采用根据本申请实施例的待检测传感器1和传感器2采集的数据在正常状态下的示意图；

图8(b)示出采用根据本申请实施例的待检测传感器1和传感器2采集的数据在异常状态下的示意图；

图9示出根据本申请实施例的设备异常检测装置的示意性框图。

具体实施方式

为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。

基于前述的技术问题，本申请提供了一种设备异常检测方法，包括：根据多个正常传感器数据样本构建堆栈式胶囊自编码器；获取多个待检测传感器数据，并计算所述多个待检测传感器数据对应的特征图像；将所述特征图像输入所述堆栈式胶囊自编码器，获得所述多个待检测传感器数据的重构残差；将所述重构残差与正常传感器数据的重构残差范围进行比对，以确定待检测设备是否异常；其中，所述多个待检测传感器数据的数据类型与所述多个正常数据样本的数据类型及数量一致。本发明实施例基于多个传感器数据的关联性，采用堆栈式胶囊自编码器对多个传感器数据进行分析，可以显著提高对检测待检测设备是否处于异常状态的准确度。

下面结合附图来详细描述根据本申请实施例的设备异常检测方法的方案。在不冲突的前提下，本申请的各个实施例的特征可以相互结合。

图1示出根据本申请实施例的设备异常检测方法的示意性流程图；如图1所示，根据本申请实施例的设备异常检测方法100可以包括如下步骤S101、步骤S102和步骤S103。

在步骤S101，根据多个正常传感器数据样本构建堆栈式胶囊自编码器。

在一个示例中，如图2所示，根据多个正常传感器数据样本构建堆栈式胶囊自编码器包括以下步骤：A，获取多个所述正常数据样本，其中每个所述正常数据样本包括一组传感器数据；B，计算所述每个正常数据样本的特征图像；C，根据所述每个正常数据样本的特征图像训练所述堆栈式胶囊自编码器。

如图3所示，为计算所述正常数据样本的特征图像的示意性流程图。步骤B包括：

B1，将所述每个正常数据样本中每个传感器数据进行变分模态分解(VariationalMode Decomposition，VMD)，获得多个模态分量；

B2，将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的多个特征；

B3，根据每个所述正常数据样本中传感器的个数、每个传感器进行变分模态分解获得的所述模态分量的个数以及每个所述模态分量的特征数量，获得每个所述数据样本的特征图像。

在一个示例中，在构建所述堆栈式胶囊自编码器时，其输入层维数与每个数据样本的特征图像的维数相一致，输出层的维数与所述输入层的维数一致。

在一个具体的实施例中，假设共有M个数据样本，每个数据样本中包括一组传感器数据，且每个传感器数据都完整且正常，可以根据该M个数据样本构建堆栈式胶囊自编码器。

具体地，每一个数据样本中的每个传感器数据都是一个时间信号x(t)，首先对该信号进行变分模态分解，共分解为K个模态分量x

第一步，将每个信号x(t)分解成预设数量的模态分量，例如，分解成K个模态分量，每个模态分量为x

第二步，预估每个模态解析信号s

其中，x(t)表示待分解信号；x

第三步，在傅里叶时域和频域中，利用交替方向乘法算法对第二步中的优化函数进行优化，直至误差达到预设误差范围时，停止迭代。把迭代获得的结果进行傅里叶反变换，其实部就是时域中的模态分量u

然后，在完成先对每个传感器数据进行变分模态分解后，计算每个模态分量x

T4

T8

其中，x

任意选择上述8个特征中的三个以上的特征，构成特征组，设特征组中有L个特征，L的取值范围为{3,4,…,8}。每一个传感器数据样本中每个传感器的K个模态分量组成一个特征向量，该特征向量共有LxK个特征。每一个样本中的S个传感器的K个模态分量可以构成一个二维的特征矩阵，共有Sx(LxK)个特征，可以将该二维特征矩阵看作一个二维灰度图像，把该二维灰度图像复制到R、G、B三个通道，就构成一个三维彩色图像。该三维彩色图像的维数是Sx(LxK)x3，并且R、G、B三个通道的数值是一样的，该三维彩色图像称为一个样本的特征图像。

在步骤C中，可以将上述特征图像作为输入训练堆栈式胶囊自编码器。该堆栈式胶囊自编码器的输入层的维数和一个样本的特征图像维数相对应，其输出层的维数和输入层的维数一致，其余部分采用标准堆栈式胶囊自编码器的网络结构。

在步骤S102，获取待检测传感器数据，并计算所述待检测传感器数据对应的特征图像。

值得注意的是，所述待检测传感器数据的数据类型应当与正常传感器数据样本的数据类型一致。在本发明实施例中，只有当待检测传感器的数据类型与正常传感器数据样本的数据类型一致，才能够确保对待检测传感器数据分析的准确性。

在一个示例中，获取待检测传感器数据，并计算所述待检测传感器数据对应的特征图像的步骤包括：D，获取所述多个待检测传感器数据；E，将每个所述待检测传感器数据进行变分模态分解，获得每个所述待检测传感器数据对应的多个模态分量；F，将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组；G，根据所述多个待检测传感器的数据、每个传感器进行变分模态分解获得的所述模态分量的数量以及每个模态分量的特征数量，构建所述待检测传感器数据的特征图像。

在步骤E中，将每个所述待检测传感器数据进行变分模态分解，的过程与上述步骤B的过程基本一致。具体地，如图4所示，在本实施例中，将每个所述待检测传感器数据进行变分模态分解的步骤如下：

E1，将每个所述待检测传感器数据分解成预设数量的模态分量；

E2，利用希尔伯特变换把所述预设数量的模态分量从实信号转换为解析信号；

E3，构造约束变分模型，其优化函数为：

其中，x(t)表示待分解信号；x

在傅里叶时域和频域中，利用交替方向乘法算法对所述优化函数进行优化，直至误差达到预设误差范围。

在步骤F，如图5所示，将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组的过程如下：

F1，将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的多个特征；

F2，在所述多个特征中任意选择预设数量的特征，构成所述所述模态分量的特征组。

其中，所述多个特征的计算公式如下：

T4

T8

其中，x

在一个具体的实施例中，可以任意选择T1至T8中三个以上的特征构成特征组，每个特征组中特征的数量为大于等于3且小于等于8。

在步骤S103，将所述特征图像输入所述堆栈式胶囊自编码器，获得所述待检测传感器数据对应的重构残差，若所述重构残差在所述重构残差范围内，则确定所述待检测传感器数据对应的待检测设备为正常状态。

在一个具体的示例中，正常传感器数据的重构残差范围为根据所述多个正常数据样本计算得到的。具体地，首先将所述多个正常数据样本输入构建好的所述堆栈式胶囊自编码器，然后计算每个所述正常数据样本的重构残差，再然后根据每个所述正常数据样本的重构残差中的最大值和最小值确定所述正常数据样本的重构残差范围。

例如，将M个数据样本输入构建好的堆栈式胶囊自编码器，记录每个样本的重构残差，设最小的重构残差为Emin，最大的重构残差为Emax，则根据正常传感器数据样本获得的重构残差区间为[Emin，Emax]。本发明实施例根据正常传感器数据样本构建堆栈式胶囊自编码器，根据该正常数据样本确定的重构残差范围是正常传感器数据对应的重构残差范围，因此当待检测传感器数据为正常传感器数据时，其重构残差应当在正常传感器数据样本的重构残范围内。如果不在正常传感器数据样本的重构残范围，说明该待检测传感器数据存在异常，则设备也可能存在异常。

在本发明的一个具体实施例中，在某一设备的发动机不同部位设置有6个传感器，采集该6个传感器数据，例如为振动信号，并获得正常状态的传感器数据样本100个，同时采集设备待检测传感器1和传感器2的数据5个，每个样本的时间长度为2秒。根据本发明实施例的方法，首先根据100个正常状态的传感器数据样本构建堆栈式胶囊自编码器，然后输入100个正常状态的传感器数据样本获得正常数据的生构残差范围，然后输入异常数据进行验证。具体地，将每个正常状态的传感器数据样本x

如图8(a)所示，为待检测传感器1和传感器2采集的数据为正常传感器数据时的示意图，其中s

如图8(b)所示，为待检测传感器1和传感器2采集的数据为异常传感器数据时的示意图，其中s

可见，通过本发明实施例，利用多传感器数据之间的关联性，检测数据异常是非常准确的。

下面结合图9对本申请的设备异常检测装置进行描述。其中，图9示出根据本申请实施例的设备异常检测装置900的示意性框图。所述各个模块可分别执行上文中结合图1描述的设备异常检测方法的各个步骤/功能。以下仅对设备异常检测装置900的各单元的主要功能进行描述，而省略以上已经描述过的细节内容。如图9所示，设备异常检测装置900包括：构建模块901、获取模块902、输入模块903和比对模块904。

构建模块301，用于根据多个正常传感器数据样本构建堆栈式胶囊自编码器；

获取模块902，用于获取多个待检测传感器数据，并计算所述多个待检测传感器数据对应的特征图像；

输入模块903，用于将所述特征图像输入所述堆栈式胶囊自编码器，获得所述多个待检测传感器数据的重构残差；

比对模块904，用于将所述重构残差与正常传感器数据的重构残差范围进行比对，以确定待检测设备是否异常；

其中，所述多个待检测传感器数据的数据类型与所述多个正常数据样本的数据类型及数量一致。

在一个示例中，所述获取模块902，包括：

获取子模块9021，用于获取所述多个待检测传感器数据；

第一分解子模块9022，用于将每个所述待检测传感器数据进行变分模态分解，获得每个所述待检测传感器数据对应的多个模态分量；

第二分解子模块9023，用于将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的特征组；

构建子模块9024，用于根据所述多个待检测传感器的数据、每个传感器进行变分模态分解获得的所述模态分量的数量以及每个模态分量的特征数量，构建所述待检测传感器数据的特征图像。

在一个示例中，所述第一分解子模块9022还用于：

将每个所述待检测传感器数据分解成预设数量的模态分量；

利用希尔伯特变换把所述预设数量的模态分量从实信号转换为解析信号；

构造约束变分模型，其优化函数为：

其中，x(t)表示待分解信号；x

在傅里叶时域和频域中，利用交替方向乘法算法对所述优化函数进行优化，直至误差达到预设误差范围。

在一个示例中，所述第二分解子模块9023还用于：

将每个所述模态分量再次进行变分模态分解，获得每个所述模态分量的多个特征；

在所述多个特征中任意选择预设数量的特征，构成所述所述模态分量的特征组；

其中，所述多个特征的计算公式为：

T4

T8

其中，x

在一个示例中，所述比对模块904还用于：

将所述重构残差与正常传感器数据的重构残差范围进行比对；

当所述重构残差在所述正常传感器数据的重构残差范围内，则确定所述待检测传感器数据对应的待检测设备为正常状态；

否则，所述待检测传感器数据对应的待检测设备为异常状态。

此外，根据本申请实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本申请实施例的设备异常检测方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。

本申请实施例的设备异常检测装置和存储介质，由于能够实现前述的设备异常检测方法，因此具有和前述的方法相同的优点。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本申请的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请的具体实施方式或对具体实施方式的说明，本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。