工业机械异常检测
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”));
一个autoencoder作品是这样的:训练对正常数据网络。如果你再把它正常的数据,它可以重建。如果你把它的东西看起来不正常,它无法重建它,你可以看到,在重建误差。
列车网络排名前四的特性从每个通道——从正常(维修之后)数据。
通过选择合适的阈值重建误差,算法识别异常,准确率很高。在这种情况下我们有一些测试数据,我们知道是异常,我们可以明确测试算法的准确性。很好!
尝试这种方法在你的自己的数据,看看你的想法在评论里。
发表与MATLAB®R2021b
- 类别:
- 选择
评论
留下你的评论,请点击在这里MathWorks账户登录或创建一个新的。