工业机械异常检测

发布的客人选择器,2021年6月18日

(30天)| 25视图0喜欢|2的评论

雷切尔的产品经理在MathWorks预见性维护。

雷切尔本周工业机械使用Autoencoder异常检测她提交了!今天的选择中预见性维护使用深度学习2021年世博会在MATLAB交谈。

你怎么知道如果一台机器运转正常吗?这是本周的问题选择旨在回答,通过深度学习检测异常在正常振动数据从一个工业机器。异常检测有很多用途,但它是特别有用预见性维护。

这个示例使用深度学习的形式双向LSTM-based autoencoder。一口,但这只是训练一个网络重建“正常”的操作数据。这样,当我们喂算法一些数据看起来不同,重建误差将表明,有一个问题——也许这台机器需要维护。Autoencoders是一个很好的方法来尝试当你肯定是“正常的”数据。

数据有两部分:数据从右之前从正确的维护和数据后维护。逻辑上我们可以假设后维护的数据是“正常的”(也就是说,如果我们有一个主管维护团队!)之前我们不太确定的数据。

这是两个样本数据集的成员互相覆盖的。

而不是训练原始信号,它经常帮助提取功能,可以更好的区分之前和之后的数据。使用诊断功能设计应用程序自动从所有数据提取和等级特性。然后,应用程序可以自动创建一个函数generateFeatures以编程方式重做所有的工作。整洁!

trainFeatures = generateFeatures (trainData);

这是,biLSTM autoencoder。

featureDimension = 1;%定义biLSTM网络层层= [sequenceInputLayer featureDimension,“名字”,“在”)bilstmLayer (16“名字”,“bilstm1”)reluLayer (“名字”,“relu1”)bilstmLayer (32,“名字”,“bilstm2”)reluLayer (“名字”,“relu2”)bilstmLayer (16“名字”,“bilstm3”)reluLayer (“名字”,“relu3”)fullyConnectedLayer (featureDimension“名字”,“俱乐部”)regressionLayer (“名字”,“出”));