一种伺杆扭矩异常检测方法及系统与流程

本发明属于锂电池生产，涉及一种伺杆扭矩异常检测方法及系统。

背景技术：

1、在锂电池生产中，伺杆扭矩异常监控是一项非常重要的技术，它可以帮助设备人员及时发现和排除伺服电机故障，确保电池生产的质量和性能。伺杆扭矩异常监控通常是通过对伺服电机的运行参数进行实时监测和分析来实现的。伺服电机在运行过程中会产生扭矩信息。通过对伺杆扭矩数据的实时监测和分析，可以及时发现伺杆异常情况，并进行相应的处理和维修。

2、在伺杆异常异常监控中，通常采用机器学习等技术对伺服电机的运行数据进行建模和分析，以便识别和预测异常情况。

3、主流时序方案在异常检测中的技术问题包括以下几个方面：

4、统计学方法：传统的统计学方法通常基于均值、方差等统计量来描述数据的分布特征，但这些方法无法处理非线性关系和动态演化特征，同时也无法处理高维度和大规模数据。

5、机器学习方法：机器学习方法通常基于监督学习或半监督学习，需要大量的标注数据来训练模型，但在实际应用中，标注数据往往难以获取或成本较高，同时标注数据的质量也会影响模型的性能。

6、传统神经网络方法：传统的神经网络方法通常基于全连接层或循环神经网络(rnn)等结构，但这些方法存在梯度消失或梯度爆炸等问题，同时也无法处理长序列数据。

7、卷积神经网络(cnn)方法：cnn方法可以处理高维度数据和局部特征，但在处理时间序列数据时，需要使用一维卷积操作，而且需要手动设计卷积核大小和数量等超参数，不够灵活。

8、递归神经网络(rnn)方法：rnn方法可以处理长序列数据和动态演化特征，但在实际应用中存在梯度消失或梯度爆炸等问题，并且需要手动设计网络结构和超参数，不够灵活。

9、综上所述，主流时序方案在异常检测中的技术问题主要包括无法处理非线性关系和动态演化特征、需要大量标注数据、存在梯度消失或梯度爆炸等问题，以及需要手动设计网络结构和超参数等。

技术实现思路

1、本发明所要解决的技术问题在于如何高效和准确的检测伺杆扭矩异常。

2、本发明是通过以下技术方案解决上述技术问题的：

3、一种伺杆扭矩异常检测方法，包括以下步骤：

4、步骤1、数据预处理；采集伺杆扭矩数据，将其表示为一个时间序列数据，通过线性函数归一化将采集的伺杆扭矩数据映射到[0,1]区间内；

5、步骤2、构建tcn编码器以及tcn解码器，并设定重构损失函数，使用tcn编码器对时间序列数据进行特征提取和建模，训练tcn编码器和解码器使重构损失函数的值最小，从而学习到样本的特征表达；

6、步骤3、通过移除tcn编码器解码器中的解码器保留原来的解码器，并优化tcn编码器和svdd参数，对deepsvdd模型进行微调优化；

7、步骤4、使用球形层来对新样本进行异常检测，如果新样本的编码器输出向量与球形层中心向量的距离大于半径，则判定为异常样本；否则，判定为正常样本。

8、进一步地，所述的构建tcn编码器的方法如下：

9、步骤2.1.1、构建卷积模块

10、1)构建因果空洞卷积模块，公式如下：

11、

12、其中，fk表示卷积核中第k个位置的权重，xt-(k-1)d表示输入序列距离t为d*(k-1)的位置上的值。

13、2)构建归一化模块：使用weight normalization对卷积后特征进行归一化，来加速网络的训练并提高模型的泛化能力；

14、3)构建非线性模块：relu公式为，relu＝max(0,x)，其中，x为输入特征；

15、4)构建dropout模块，设置p＝0.3；

16、5)重复步骤1)、2)、3)、4)；

17、步骤2.1.2、构建基础卷积模块basic_block_1，该模块的输入输出特征分别为xi和p1：

18、1)添加因果卷积模块dilated_causal_block_1(k＝3,d＝1,s＝1,w＝weights)；

19、2)添加因果卷积模块dilated_causal_block_2(k＝3,d＝1,s＝1,w＝weights)；

20、步骤2.1.3、构建残差模块residual_block_2,该模块的输入输出特征分别为p1和p2：

21、1)叠加basic_block_1和residual_block_2的输出结果，其中f(p1)为residual_block_2的输出，p1basic_block_1的输出，最终叠加输出特征为p2＝f(p1)+p1；

22、2)添加因果卷积模块dilated_causal_block_3(k＝3,d＝2,s＝1,w＝weights)；

23、3)添加因果卷积模块dilated_causal_block_4(k＝3,d＝2,s＝1,w＝weights)；

24、步骤2.1.4、构建剩余残差模块：

25、1)重复步骤2.1.3，构建残差模块residual_block_3，该模块的输入参数为k＝3,d＝4,s＝1，输入输出特征分别为p2和p3：

26、2)重复2.1.3的步骤，构建残差模块residual_block_4，该模块的输入参数为k＝3,d＝8,s＝1，输入输出特征分别为p3和p4。

27、进一步地，所述的构建tcn解码器的方法如下：

28、步骤2.2.1构建上采样模块up_sample_block(scale＝2,mode＝’bilinear’)；

29、上采样的放大尺度系数为2，同时采用双线性插值进行构建上采样特征，具体构建公式如下：

30、y2i＝pn,i

31、

32、其中，pn,i表示第n层输入的时间序列特征中第i个元素，y2i+1表示插值后输出的时间序列特征；

33、上采样模块的输出特征为sn＝[y2i，y2i+1...y2i+2n]；

34、步骤2.2.2构建tcn解码器模块

35、1)构建tcn解码器的输入层，其中输入层的特征为p4

36、2)重复步骤2.2.1，分别构建tcn解码器的4层上采样模块up_sample_block_1，up_sample_block_2，up_sample_block_3，up_sample_block_4。

37、3)4层上采样模块的输出特征分别为s1、s2、s3、s4。

38、进一步地，所述的设定重构损失函数的方法如下：设定重构损失函数为均方误差mse，计算公式如下：

39、

40、式中，n表示每个时同窗口包含的连续电流值的个数，yi表示第i个电流的真实值，第i个电流的预测值。

41、进一步地，所述的优化tcn编码器和svdd参数，对deepsvdd模型进行微调优化的方法如下：

42、步骤3.2.1初始化球心距离与半径

43、1)球心c初始化，球心公式如下：

44、

45、式中，m为信号样本的总数，表示第i个信号样本经过tcn自动编码器得到的信号表征；

46、2)半径r初始化，半径r的计算公式如下：

47、

48、式中，β是一个大于1的缩放系数，这里设置取值为1.2；

49、步骤3.2.2设置微调优化模型的损失函数和优化器

50、1)svdd损失函数公式如下：

51、

52、其中:m为信号样本的总数，表示第i个样本经过tcn自动编码器得到的信号表征，c表示球心，wl表示tcn编码器的第l个参数；

53、2)针对svdd损失，这里使用sgd优化器；

54、步骤3.2.3设置微调优化模型的超参数并训练

55、1)分别设置微调优化模型的学习率为0.0001，微调优化迭代轮数200以及batchsize为64；

56、2)在此基础之上进行反复迭代训练至满足停止迭代的指定条件。

57、进一步地，所述的使用球形层来对新样本进行异常检测的具体计算过程如下：对于新样本xi,通过tcn编码器计算其在特征空间中的编码计算与球心c之间的欧式距离：将d与球形半径r进行比较：如果d<＝r,那么样本xi为正常；如果d>r,那么样本xi为异常。

58、进一步地，所述的线性函数归一化的公式为：

59、

60、其中，x'i表示归一化后的数据集，xi表示时序数据集，xmax和xmin分别表示各特征序列中的最小值。

61、一种伺杆扭矩异常检测系统，包括：数据预处理模块、模型构建及预训练模块、模型微调优化模块、异常检测模块；

62、所述的数据预处理模块用于采集伺杆扭矩数据，将其表示为一个时间序列数据，通过线性函数归一化将采集的伺杆扭矩数据映射到[0,1]区间内；

63、所述的模型构建及预训练模块用于构建tcn编码器以及tcn解码器，并设定重构损失函数，使用tcn编码器对时间序列数据进行特征提取和建模，训练tcn编码器和解码器使重构损失函数的值最小，从而学习到样本的特征表达；

64、所述的模型微调优化模块用于通过移除tcn编码器解码器中的解码器保留原来的解码器，并优化tcn编码器和svdd参数，对deepsvdd模型进行微调优化；

65、所述的异常检测模块用于使用球形层来对新样本进行异常检测，如果新样本的编码器输出向量与球形层中心向量的距离大于半径，则判定为异常样本；否则，判定为正常样本。

66、进一步地，所述的线性函数归一化的公式为：

67、

68、其中，x'i表示归一化后的数据集，xi表示时序数据集，xmax和xmin分别表示各特征序列中的最小值；

69、所述的构建tcn编码器的方法如下：

70、步骤2.1.1、构建卷积模块

71、1)构建因果空洞卷积模块，公式如下：

72、

73、其中，fk表示卷积核中第k个位置的权重，xt-(k-1)d表示输入序列距离t为d*(k-1)的位置上的值。

74、2)构建归一化模块：使用weight normalization对卷积后特征进行归一化，来加速网络的训练并提高模型的泛化能力；

75、3)构建非线性模块：relu公式为，relu＝max(0,x)，其中，x为输入特征；

76、4)构建dropout模块，设置p＝0.3；

77、5)重复步骤1)、2)、3)、4)；

78、步骤2.1.2、构建基础卷积模块basic_block_1，该模块的输入输出特征分别为xi和p1：

79、1)添加因果卷积模块dilated_causal_block_1(k＝3,d＝1,s＝1,w＝weights)；

80、2)添加因果卷积模块dilated_causal_block_2(k＝3,d＝1,s＝1,w＝weights)；

81、步骤2.1.3、构建残差模块residual_block_2,该模块的输入输出特征分别为p1和p2：

82、1)叠加basic_block_1和residual_block_2的输出结果，其中f(p1)为residual_block_2的输出，p1basic_block_1的输出，最终叠加输出特征为p2＝f(p1)+p1；

83、2)添加因果卷积模块dilated_causal_block_3(k＝3,d＝2,s＝1,w＝weights)；

84、3)添加因果卷积模块dilated_causal_block_4(k＝3,d＝2,s＝1,w＝weights)；

85、步骤2.1.4、构建剩余残差模块：

86、1)重复步骤2.1.3，构建残差模块residual_block_3，该模块的输入参数为k＝3,d＝4,s＝1，输入输出特征分别为p2和p3：

87、2)重复2.1.3的步骤，构建残差模块residual_block_4，该模块的输入参数为k＝3,d＝8,s＝1，输入输出特征分别为p3和p4；

88、所述的构建tcn解码器的方法如下：

89、步骤2.2.1构建上采样模块up_sample_block(scale＝2,mode＝’bilinear’)；

90、上采样的放大尺度系数为2，同时采用双线性插值进行构建上采样特征，具体构建公式如下：

91、y2i＝pn,i

92、

93、其中，pn,i表示第n层输入的时间序列特征中第i个元素，y2i+1表示插值后输出的时间序列特征；

94、上采样模块的输出特征为sn＝[y2i，y2i+1...y2i+2n]；

95、步骤2.2.2构建tcn解码器模块

96、1)构建tcn解码器的输入层，其中输入层的特征为p4

97、2)重复步骤2.2.1，分别构建tcn解码器的4层上采样模块up_sample_block_1，up_sample_block_2，up_sample_block_3，up_sample_block_4。

98、3)4层上采样模块的输出特征分别为s1、s2、s3、s4；

99、设定重构损失函数的方法如下：设定重构损失函数为均方误差mse，计算公式如下：

100、

101、式中，n表示每个时同窗口包含的连续电流值的个数，yi表示第i个电流的真实值，第i个电流的预测值。

102、进一步地，所述的优化tcn编码器和svdd参数，对deepsvdd模型进行微调优化的方法如下：

103、步骤3.2.1初始化球心距离与半径

104、1)球心c初始化，球心公式如下：

105、

106、式中，m为信号样本的总数，表示第i个信号样本经过tcn自动编码器得到的信号表征；

107、2)半径r初始化，半径r的计算公式如下：

108、

109、式中，β是一个大于1的缩放系数，这里设置取值为1.2；

110、步骤3.2.2设置微调优化模型的损失函数和优化器

111、1)svdd损失函数公式如下：

112、

113、其中:m为信号样本的总数，表示第i个样本经过tcn自动编码器得到的信号表征，c表示球心，wl表示tcn编码器的第l个参数；

114、2)针对svdd损失，这里使用sgd优化器；

115、步骤3.2.3设置微调优化模型的超参数并训练

116、1)分别设置微调优化模型的学习率为0.0001，微调优化迭代轮数200以及batchsize为64；

117、2)在此基础之上进行反复迭代训练至满足停止迭代的指定条件；

118、所述的使用球形层来对新样本进行异常检测的具体计算过程如下：对于新样本xi,通过tcn编码器计算其在特征空间中的编码计算与球心c之间的欧式距离：将d与球形半径r进行比较：如果d<＝r,那么样本xi为正常；如果d>r,那么样本xi为异常。

119、本发明的优点在于：

120、本发明的技术方案通过采集伺杆扭矩数据，将其表示为一个时间序列数据，通过线性函数归一化将采集的伺杆扭矩数据映射到[0,1]区间内；构建tcn编码器以及tcn解码器，并设定重构损失函数，使用tcn编码器对时间序列数据进行特征提取和建模，训练tcn编码器和解码器使重构损失函数的值最小，从而学习到样本的特征表达；通过移除tcn编码器解码器中的解码器保留原来的解码器，并优化tcn编码器和svdd参数，对deepsvdd模型进行微调优化；使用球形层来对新样本进行异常检测，如果新样本的编码器输出向量与球形层中心向量的距离大于半径，则判定为异常样本；否则，判定为正常样本。结合了无监督的深度学习模型和序列建模方法，可以更好地处理时间序列数据，自动学习正常样本的分布特征，并提高模型的性能，从而可以应用于各种异常检测任务；deepsvdd模型使用球形层来描述正常样本的分布，球形层可以更好地区分正常样本和异常样本，实现无监督的异常检测任务；deepsvdd模型使用tcn编码器来对时间序列数据进行特征提取和建模，tcn编码器可以更好地捕捉时间序列数据中的非线性关系和动态演化特征，从而提高了模型的性能和应用范围。