基于堆叠自编码器神经网络的在线状态监测异常检测自动特征提取方法
机器学习
2018-10-23 v1 机器学习
摘要
状态监测是所有大型流程工业中的常规任务之一。电机、齿轮、轴承等机械部件是流程工业的主要组成部分，其任何故障都可能导致整个流程停机，从而造成严重的损失。因此，在缺陷发生前预测其出现至关重要。为此已有多种方法存在，且许多研究正致力于构建更好、更高效的模型。然而，其中大多数基于原始传感器信号的处理，这一过程繁琐且昂贵。近来，基于特征的状态监测有所增加，该方法仅从原始信号中提取有用特征并用于故障预测。其中大多为手工特征，即根据原始数据的性质人工获取。这当然需要事先了解数据性质及相关过程的知识，从而限制了特征提取过程。不过，近期基于自编码器的特征提取方法的发展为传统手工方法提供了替代方案；但它们大多局限于图像与音频处理领域。本工作中，我们基于传统自编码器与在线序列极限学习机(OSELM)网络的堆叠，开发了一种用于在线状态监测的自动特征提取方法。该方法的性能可与传统特征提取方法相媲美。该方法在判定NASA轴承数据集的轴承健康状态时可达100%检测准确率。本方法结构简单，有望用于基于物联网(IoT)的预测性维护方案的便捷硬件实现。
引用
@article{arxiv.1810.08609,
title = {A Stacked Autoencoder Neural Network based Automated Feature Extraction Method for Anomaly detection in On-line Condition Monitoring},
author = {Mohendra Roy and Sumon Kumar Bose and Bapi Kar and Pradeep Kumar Gopalakrishnan and Arindam Basu},
journal= {arXiv preprint arXiv:1810.08609},
year = {2018}
}
备注
This article has been submitted to IEEE-SSCI 2018 conference