工业机械异常检测

发布的客人选择器，2021年6月18日

76次(过去30天 0喜欢| 2的评论

Rachel是MathWorks预测性维护的产品经理。

瑞秋这周选的是使用自动编码器的工业机械异常检测她提交了!今天的精选是在使用深度学习的预测性维护在MATLAB EXPO 2021上发表演讲。

你怎么知道机器是否运转正常?这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，但它在预见性维护．

本例以基于lstm的双向自动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”的运行数据。这样，当我们向算法输入一些看起来不同的数据时，重构错误将表明存在问题——可能机器需要维护。当你确信所有的数据都是“正常”数据时，自动编码器是一个很好的方法。

数据集有两部分:右侧的数据之前维护，数据从右后维护。我们可以在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是很确定。

这里有两个数据集的样本成员相互叠加。

与对原始信号进行训练相比，它通常有助于提取能够更好地区分前后数据的特征。使用诊断功能设计应用程序自动提取和排名功能，从所有数据一次。然后，应用程序可以自动创建一个功能generateFeatures以编程方式重做这些工作。整洁!

trainFeatures = generateFeatures (trainData);

这是那个biLSTM自动编码器。

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