您怎么知道一臺(tái)機(jī)器是否在正常運(yùn)行？問題的回答是：通過利用深度學(xué)習(xí)來檢測(cè)工業(yè)機(jī)器的常規(guī)振動(dòng)數(shù)據(jù)中的異常情況。異常檢測(cè)有很多用途，而尤其在預(yù)測(cè)性維護(hù)中特別有用。

這個(gè)深度學(xué)習(xí)的例子講的是基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（biLSTM）的自動(dòng)編碼器。雖然這個(gè)詞很拗口，但它僅表示訓(xùn)練網(wǎng)絡(luò)來重構(gòu)“正?！睌?shù)據(jù)。這樣，當(dāng)我們給算法提供一些看起來不同的數(shù)據(jù)時(shí)，重構(gòu)錯(cuò)誤會(huì)提示您機(jī)器可能需要維護(hù)。當(dāng)您所擁有的數(shù)據(jù)均為“正?！睌?shù)據(jù)時(shí)，自動(dòng)編碼器不失是一個(gè)很好的嘗試方法。

數(shù)據(jù)集有兩部分：維護(hù)前的數(shù)據(jù)和維護(hù)后的數(shù)據(jù)。從邏輯上講，我們可以假定維護(hù)后的數(shù)據(jù)是“正常”的（當(dāng)我們有一個(gè)稱職的維護(hù)團(tuán)隊(duì)的情況下?。?。但是我們對(duì)維護(hù)前的數(shù)據(jù)并不確定。

以下顯示了兩個(gè)相互疊加在一起的數(shù)據(jù)樣本。

與其在原始信號(hào)上進(jìn)行訓(xùn)練，不如提取特征區(qū)分訓(xùn)練前后的數(shù)據(jù)，這往往幫助更大。使用Diagnostic Feature Designer應(yīng)用程序，一次性從所有數(shù)據(jù)中自動(dòng)提取特征并對(duì)其排序。然后，這個(gè)應(yīng)用程序可以自動(dòng)創(chuàng)建一個(gè)函數(shù)generateFeatures，以編程方式重做所有這些工作。

trainFeatures = generateFeatures(trainData);

這就是那個(gè)基于biLSTM的自動(dòng)編碼器。

featureDimension = 1;

% Define biLSTM network layers

layers = [ sequenceInputLayer(featureDimension,'Name','in')

bilstmLayer(16,'Name','bilstm1')

reluLayer('Name','relu1')

bilstmLayer(32,'Name','bilstm2')

reluLayer('Name','relu2')

bilstmLayer(16,'Name','bilstm3')

reluLayer('Name','relu3')

fullyConnectedLayer(featureDimension,'Name','fc')

regressionLayer('Name','out') ];

自動(dòng)編碼器是這樣工作的：在正常數(shù)據(jù)上訓(xùn)練網(wǎng)絡(luò)。如果您把正常的數(shù)據(jù)傳給它，就能很好地重構(gòu)它。如果您把一些不正常的數(shù)據(jù)傳給它，就無法重構(gòu)它，并且您會(huì)從重構(gòu)錯(cuò)誤中看到提示。

在每個(gè)通道的排名前四的特征上訓(xùn)練網(wǎng)絡(luò)—僅根據(jù)正常（維護(hù)后）數(shù)據(jù)。

通過挑選合適的重構(gòu)誤差閾值，算法能以相當(dāng)高的準(zhǔn)確率識(shí)別出異常情況。而我們有一些已知為異常的測(cè)試數(shù)據(jù)，可以明確地測(cè)試算法的準(zhǔn)確率。