【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于时频域特征增强的工业时序数据异常检测方法及系统。
技术介绍
1、异常检测是指自动识别嵌入在大量正常数据中的异常现象，在工业制造领域生产过程中伴随着大量生产数据，随着传感器技术、物联网技术的大力发展，通过对数据进行挖掘分析来识别判断出不符合预期状态的异常模式已经成为可能。
2、异常检测的任务目标是确定哪些数据与其他正常的数据有明显不同的特征模式。通常，考虑到异常值远远偏离其他值的平均值，传统方法中通过数据统计方法进行偏差检测来判断是否出现异常。在工业制造领域，随着物联网(iot)的出现，产生了大量多维、网络流、本地流、混合流等不同数据域融合的时间序列数据，针对这些工业生产制造过程中时间序列数据的分析和异常检测方法，关系到生产安全，具有重要的研究意义。
3、现有的异常检测方案可以分为两类，一种是采用传统的统计学分析方法，如通过累积和图等统计过程控制(spc)图方法来检测数据基础分布的特性变化，以识别异常，对原始数据采集准确性要求高；另一种是采用机器学习(深度学习)方法通过数据训练模型，常见采用时间序列预测模型来进行比对判断，但当前该方法实用性不佳、检测结果稳定性差。
4、随着互联网、物联网、通信技术和存储技术的发展，在工业制造领域通过各类传感器可以采集存储的时间序列数据迅猛增长，对时间序列数据中可能出现的异常数据情况需要及时发现，才能帮助工厂管理者评估异常风险及采取相应对策。现有异常检测方案在应对工业领域采集的离散检测数据时，具有以下缺陷：1)工业制造过程中
技术实现思路
1、有鉴于此，有必要提供一种基于时频域特征增强的工业时序数据异常检测方法，用以解决现有技术的上述缺陷。
2、为了解决上述问题，第一方面，本专利技术实施例提供一种基于时频域特征增强的工业时序数据异常检测方法，包括：
3、采集工业生产过程中的工业时序数据；
4、结合时间域内的加权权重调整策略以及数据插值方法，对所述工业时序数据进行时域处理；
5、将时域处理后的工业时序数据转换为频域数据，对所述频域数据进行频域增强处理后转换回时间域，得到时频域增强的工业时序数据；
6、采用预设的双分支神经网络模型，对时频域增强的工业时序数据进行异常检测。
7、优选的，在采集工业生产过程中的工业时序数据时，所述方法还包括：
8、基于香农采样定理和先验知识，确定工业时序数据的最优采样频率；其中，所述工业时序数据包括电压、电流、温度、湿度和速度；
9、根据最优采样频率，确定工业时序数据需要扩增的数据容量。
10、优选的，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行时域处理，包括：
11、根据工业时序数据的特性，为工业时序数据的每个数据点分配权重值；
12、考虑每个数据点的权重值，对所述工业时序数据进行数据插值。
13、优选的，在对所述工业时序数据进行数据插值之后，还包括：
14、对数据插值后的数据进行优化处理；所述优化处理包括数据旋转、数据抖动、数据缩放和数据重排。
15、优选的，所述将时域处理后的工业时序数据转换为频域数据，对所述频域数据进行频域增强处理后转换回时间域，得到时频域增强的工业时序数据，包括：
16、通过快速傅里叶变换将时域处理后的工业时序数据转换为频域数据；
17、对所述频域数据进行频域增强处理；其中，频域增强处理包括频域噪声添加、频率掩码、频率平移和频率缩放；
18、通过逆快速傅里叶变换将经过频域增强处理的数据转换回时间域，得到时频域增强的工业时序数据。
19、优选的，所述双分支神经网络模型包括1d单层卷积神经网络和长短期记忆网络；
20、所述1d单层卷积神经网络和长短期记忆网络共用输入层和输出层，所述1d单层卷积神经网络的输入层和输出层之间设置有依次连接的单层卷积网络、特征图串联、最大池化层以及softmax分类回归层；所述长短期记忆网络的输入层和输出层之间设置有依次连接的lstm层、隐藏特征层和softmax分类回归层。
21、优选的，所述采用预设的双分支神经网络模型，对时频域增强的工业时序数据进行异常检测，包括：
22、双分支神经网络模型包括1d单层卷积神经网络和长短期记忆网络；
23、所述1d单层卷积神经网络将时频域增强的工业时序数据转化为二维数据，通过单层卷积网络对二维数据进行切片处理，提取图形特征，输出多个特征图，将特征图串联后输入最大池化层，将最大池化层的输出送入softmax分类回归层，输出异常数据的分布位置；
24、所述长短期记忆网络通过lstm层处理时频域增强的工业时序数据，获得工业时序数据的隐藏特征，并通过softmax分类回归得到异常数据预测结果；
25、对于待检测的数据，通过1d单层卷积神经网络和长短期记忆网络分别计算异常得分，并加权求和得到最终的异常检测结果。
26、第二方面，本专利技术实施例提供一种基于时频域特征增强的工业时序数据异常检测系统，包括：
27、数据采集模块，用于采集工业生产过程中的工业时序数据；
28、时域处理模块，用于结合时间域内的加权权重调整策略以及数据插值方法，对所述工业时序数据进行时域处理；
29、频域增强模块，用于将时域处理后的工业时序数据转换为频域数据，对所述频域数据进行频域增强处理后转换回时间域，得到时频域增强的工业时序数据；
30、异常检测模块，用于采用预设的双分支神经网络模型，对时频域增强的工业时序数据进行异常检测。
31、第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器，其中，
32、所述存储器，用于存储程序；
33、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如本专利技术第一方面实施例所述的基于时频域特征增强的工业时序数据异常检测方法中的步骤。
34、第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现如本专利技术第一方面实施例所述的基于时频域特征增强的工业时序数据异常检测方法中的步骤。
35、本专利技术提供的基于时频域特征增强的工业时序数据异常检测方法及系统，与现有技术相比，具有如下有益效果：
36、1)本专利技术通过结合时间域内的加权权本文档来自技高网...
【技术保护点】
1.一种基于时频域特征增强的工业时序数据异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，在采集工业生产过程中的工业时序数据时，所述方法还包括：
3.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行时域处理，包括：
4.根据权利要求3所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，在对所述工业时序数据进行数据插值之后，还包括：
5.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，所述将时域处理后的工业时序数据转换为频域数据，对所述频域数据进行频域增强处理后转换回时间域，得到时频域增强的工业时序数据，包括：
6.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，所述双分支神经网络模型包括1D单层卷积神经网络和长短期记忆网络；
7.根据权利要求6所述的基于时频域特
8.一种基于时频域特征增强的工业时序数据异常检测系统，其特征在于，包括：
9.一种电子设备，
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的基于时频域特征增强的工业时序数据异常检测方法中的步骤。
...【技术特征摘要】
1.一种基于时频域特征增强的工业时序数据异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，在采集工业生产过程中的工业时序数据时，所述方法还包括：
3.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，所述结合时间域内的加权权重调整策略以及数据插值方法，对原始数据集中的工业时序数据进行时域处理，包括：
4.根据权利要求3所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，在对所述工业时序数据进行数据插值之后，还包括：
5.根据权利要求1所述的基于时频域特征增强的工业时序数据异常检测方法，其特征在于，所述将时域处理后的工业时序数据转换为频域数据，对所述频域数据进行频域增...
【专利技术属性】
技术研发人员：陈再励，吴宾，冯树庆，雷欢，方建生，钟震宇，
申请(专利权)人：广东省科学院智能制造研究所，
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。