【技术实现步骤摘要】
本专利技术涉及设备监测与维护，尤其涉及一种设备异常检测方法、装置、电子设备及存储介质。
技术介绍
1、随着工业自动化和智能制造的发展，公共辅助设备的健康状态监测和故障诊断变得日益重要。由于每个设备具有独特的正常工作模式，并且不同设备在不同工作环境下的正常模式有显著差异，因此通过一组固定的规则来捕获所有可能的正常模式变得极具挑战性。
2、现有技术中，在对设备进行异常检测时，通常是采用构建一个模式的策略，然后将新观察到的数据与这个模式进行比较。例如，采用多模型方法来分别学习和模拟不同设备或设备组的正常模式，以及采用自适应学习机制不断从新的数据中学习和更新正常模式的表示。
3、但是，上述技术方案仍存在一些不足之处，面临数据标注工作量较高、计算复杂度高、模型更新挑战以及算法集成复杂性等问题。
技术实现思路
1、本专利技术提供了一种设备异常检测方法、装置、电子设备及存储介质，可以减少数据标注的工作量，提高设备检测结果的准确性，提高检测效率以及检测方法的自适应性。
2、根据本专利技术的一方面，提供了一种设备异常检测方法，所述方法包括：
3、获取目标设备在运行过程中产生的多变量时间序列数据，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果；
4、采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型；
5、根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的
6、可选的，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果，包括：
7、将所述多变量时间序列数据，输入预先训练的特征提取模型；
8、通过所述特征提取模型，对所述多变量时间序列数据中的时间依赖特征进行提取，并输出每个时间序列数据分别对应的特征表示结果；
9、其中，所述特征提取模型根据多个训练样本对transformer网络训练得到；所述多个训练样本中包括不同设备在不同工况下对应的运行数据。
10、可选的，采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型，包括：
11、根据所述多变量时间序列数据的维度，设定目标设备在正常工作模式下运行数据对应的全局原型以及局部原型；
12、确定每个特征表示结果与每个原型之间的传输成本，并采用最优传输算法根据所述传输成本，确定与每个特征表示结果匹配的原型，以及所述特征表示结果与所述原型之间的最优传输矩阵；
13、根据所述传输成本、最优传输矩阵以及预先构建的约束条件，对各所述特征表示结果以及原型进行迭代更新。
14、可选的，根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的异常检测结果，包括：
15、确定每对全局原型与局部原型之间的欧式距离；
16、通过预先训练的分类模型，根据所述欧式距离以及k近邻算法，对各所述原型以及k值进行迭代更新，得到最终的全局原型与局部原型；
17、根据所述最终的全局原型与局部原型，确定所述目标设备对应的异常检测结果。
18、可选的，根据所述最终的全局原型与局部原型，确定所述目标设备对应的异常检测结果，包括：
19、获取每对全局原型与局部原型之间的距离，判断所述距离是否大于预设阈值；
20、若是，则确定所述目标设备运行异常。
21、可选的，获取目标设备在运行过程中产生的多变量时间序列数据，包括：
22、采集目标设备在运行过程中产生的不同时刻对应的不同运行数据；
23、通过模数转换器，将所述目标设备对应的运行数据转换为数字信号，得到多变量时间序列数据。
24、可选的，在对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果之前，还包括：
25、对所述多变量时间序列数据进行预处理；所述预处理包括以下至少一项：
26、根据拉依达准则识别所述多变量时间序列数据中的异常数据，并对所述异常数据进行剔除；
27、按照预设数值区间，对所述多变量时间序列数据进行归一化处理；
28、通过滑动时间窗口对所述多变量时间序列数据进行处理，以获取满足预设窗口尺寸以及预设步幅的时间序列数据。
29、根据本专利技术的另一方面，提供了一种设备异常检测装置，所述装置包括：
30、特征提取模块，用于获取目标设备在运行过程中产生的多变量时间序列数据，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果；
31、原型学习模块，用于采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型；
32、异常检测模块，用于根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的异常检测结果。
33、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
34、至少一个处理器；以及
35、与所述至少一个处理器通信连接的存储器；其中，
36、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的设备异常检测方法。
37、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的设备异常检测方法。
38、本专利技术实施例提供的技术方案，通过获取目标设备在运行过程中产生的多变量时间序列数据，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果，采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型，根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的异常检测结果的技术手段，可以减少数据标注的工作量，提高设备检测结果的准确性，提高检测效率以及检测方法的自适应性。
39、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种设备异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果，包括：
3.根据权利要求1所述的方法，其特征在于，采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的异常检测结果，包括：
5.根据权利要求4述的方法，其特征在于，根据所述最终的全局原型与局部原型，确定所述目标设备对应的异常检测结果，包括：
6.根据权利要求1所述的方法，其特征在于，获取目标设备在运行过程中产生的多变量时间序列数据，包括：
7.根据权利要求1所述的方法，其特征在于，在对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果之前，还包括：
8.一种设备异常检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的设备异常检测方法。
...【技术特征摘要】
1.一种设备异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对所述多变量时间序列数据中的时间依赖特征进行提取，得到每个时间序列数据分别对应的特征表示结果，包括：
3.根据权利要求1所述的方法，其特征在于，采用最优传输算法，学习用于表征各特征表示结果的全局原型以及局部原型，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述全局原型与局部原型之间的欧式距离，确定所述目标设备对应的异常检测结果，包括：
5.根据权利要求4述的方法，其特征在于，根据所述最终的全局原型与局部原型，确定所述目标设备对应的异常检测...
【专利技术属性】
技术研发人员：张文化，王鑫，童明刚，廖志强，方易礼，胡琦，
申请(专利权)人：广东德尔智慧科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。