基于自编码器的旋转机械状态监测与异常检测方法
机器学习
2021-01-28 v1
摘要
发动机、泵或涡轮等旋转机械在现代社会中无处不在。其电机、转子或轴承等机械部件是主要组件，任何故障都可能导致其完全停机。在此类关键系统中进行异常检测对监测系统健康至关重要。由于难以满足获取显式标注所有可能故障的旋转机械数据集的要求，我们提出了一种转而关注机器正常行为的方法。我们提出了一种基于自编码器模型、采用异常检测方法的旋转机械状态监测方法。该方法利用正常振动信号学习旋转机械的特征以建模机器的健康状态。随后对未知数据的重构误差应用基于阈值的策略，从而实现未知异常的检出。所提方法可直接从原始振动信号中提取显著特征，免去了人工设计特征的需要。我们使用两个旋转机械数据集验证了所提方法的有效性，并通过在两组特征上分别训练 Isolation Forest 模型，将自动学习特征的质量与一组手工特征进行了比较。在两个真实世界数据集上的实验结果表明，我们提出的方案取得了有前景的结果，平均 F1 分数达到 99.6%。
引用
@article{arxiv.2101.11539,
title = {Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines},
author = {Sabtain Ahmad and Kevin Styp-Rekowski and Sasho Nedelkoski and Odej Kao},
journal= {arXiv preprint arXiv:2101.11539},
year = {2021}
}