工业机械异常检测

저자客人选择器，2021年6月18日

22 * * * * * * * * * * * * * * *0좋아|2댓글

Rachel是MathWorks预测性维护的产品经理。

瑞秋这周的选择是使用自动编码器的工业机械异常检测她答应了!今天的选择是在使用深度学习的预测性维护在MATLAB EXPO 2021上的演讲。

你怎么知道一台机器是否运转正常?这就是本周的选择旨在回答的问题，通过使用深度学习来检测工业机器正常振动数据中的异常。异常检测有很多用途，但在以下方面特别有用预见性维护．

这个例子以双向lstm自编码器的形式使用深度学习。这有点拗口，但它只是训练一个网络来重建“正常”的操作数据。这样，当我们给算法提供一些看起来不同的数据时，重构错误将表明存在问题——也许机器需要维护。自动编码器是一个很好的方法，尝试当你所有的肯定是“正常”的数据。

数据集由两部分组成:右侧数据之前维护时，数据从右而来后维护。我们可以从逻辑上假设维护后的数据是“正常的”(也就是说，如果我们有一个称职的维护团队!)我们对之前的数据不太确定。

下面是数据集的两个样本成员，它们相互叠加在一起。

它不是在原始信号上进行训练，而是通常有助于提取能够更好地区分前后数据的特征。使用诊断特性设计器应用程序自动提取和排名功能，从所有的数据一次。然后，应用程序可以自动创建一个函数generateFeatures以编程的方式重做所有的工作。整洁!

trainFeatures = generateFeatures(trainData);

这是biLSTM自动编码器。

featureDimension = 1;%定义biLSTM网络层layers = [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”));