计算机科学与探索

作者：李贝贝, 彭力

单位：江南大学 物联网工程学院,江苏 无锡 214122

关键词：自编码器,轴承振动,异常检测,马氏距离,自编码网络

基金：国家重点研发计划(2018YFD0400902);国家自然科学基金(61873112)

近年来,自编码器和神经网络技术已被广泛研究并应用于轴承振动等工业数据的异常检测问题上,但仍存在着训练数据量大、网络参数初始化、训练效率较低、异常检测效果较差等问题。为解决上述问题,提出了一种结合马氏距离和自编码网络的异常检测方法。利用轴承振动数据特征之间具有一定相关性的特点,通过数据的马氏距离快速检测出部分异常数据,减少了自编码网络的训练数据量;用自编码器结合分类器构建自编码网络,解决了网络参数初始化问题并且显著提高了训练效率;将数据的马氏距离作为特征加入训练中提升了自编码网络的异常检测效果;在自编码器中加入稀疏性限制并构造先升维再编码的结构,增强了自编码器的特征学习能力和收敛性。实验结果表明,针对低维轴承振动数据,提出的方法较其他异常检测方法具有较好的检测效果且具有一定的稳定性和泛化能力。

来源：2022年第1期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2022年第1期