公开(公告)号：CN114595767B

公开(公告)日：2025-01-10

申请号：CN202210223287.9

申请日：2022-03-07

Applicant: 哈尔滨工业大学

Inventor： 杨智明 ,  向刚 ,  俞洋 ,  赵利国 ,  于冰

IPC: G06F18/22 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/048 ,  G06F17/18

Abstract: 一种具有时间序列状态变量的工业设备故障检测方法，属于工业设备故障检测领域。本发明针对现有工业系统的故障检测依赖故障数据建立检测模型，故障数据获取难度大造成方法难以适用的问题。包括：采集时间序列状态数据作为训练数据；计算训练数据m维特征变量的均值和标准差，并对训练数据进行标准化；对标准化后时间序列数据采用滑动窗口进行分割得到序列数据P，对LSTM自编码网络进行训练；再基于训练后LSTM自编码网络获得训练数据的误差序列；基于极值理论的方法对误差序列进行分析，得到故障阈值；再基于待检测设备序列数据对故障阈值进行调整，得到调整后阈值，进而实现工业设备的故障检测。本发明用于变量具有时序特征的工业设备的故障检测。

公开(公告)号：CN117892214A

公开(公告)日：2024-04-16

申请号：CN202211373326.X

申请日：2022-11-03

Applicant: 哈尔滨工业大学 ,  北京航天自动控制研究所

Inventor： 杨智明 ,  于冰 ,  向刚 ,  赵利国 ,  禹春梅 ,  彭宇 ,  俞洋

IPC: G06F18/2415 ,  G06F18/15 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/088 ,  G07C3/00 ,  G06F123/02

Abstract: 异常检测模型的构建方法、异常检测方法及异常检测系统，涉及机器学习领域，尤其涉及工业系统的故障或异常检测。解决了现有的异常检测模型对非线性、强时序性及高维度的数据提取分析能力弱，及确定阈值时依赖初始数据分布、依赖于个人经验和不能动态调整等问题。所述异常检测模型基于LSTM‑AE框架和可自动设置参数的自适应阈值构建；所述异常检测方法及异常检测系统采用异常检测模型进行异常检测。本发明应用于对工业系统进行异常检测。

公开(公告)号：CN114595767A

公开(公告)日：2022-06-07

申请号：CN202210223287.9

申请日：2022-03-07

Applicant: 哈尔滨工业大学

Inventor： 杨智明 ,  向刚 ,  俞洋 ,  赵利国 ,  于冰

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F17/18

Abstract: 一种具有时间序列状态变量的工业设备故障检测方法，属于工业设备故障检测领域。本发明针对现有工业系统的故障检测依赖故障数据建立检测模型，故障数据获取难度大造成方法难以适用的问题。包括：采集时间序列状态数据作为训练数据；计算训练数据m维特征变量的均值和标准差，并对训练数据进行标准化；对标准化后时间序列数据采用滑动窗口进行分割得到序列数据P，对LSTM自编码网络进行训练；再基于训练后LSTM自编码网络获得训练数据的误差序列；基于极值理论的方法对误差序列进行分析，得到故障阈值；再基于待检测设备序列数据对故障阈值进行调整，得到调整后阈值，进而实现工业设备的故障检测。本发明用于变量具有时序特征的工业设备的故障检测。