买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明涉及工业仪表技术领域，特别涉及一种基于数据相关性的工业仪表故障检测方法。利用智能电表内置的多种传感器采集的数据，通过分析数据间的相关性以及采用长短时记忆网络LSTM构建的编、解码器模型，实现对智能电表内部各传感器状态的实时在线监测及故障准确判断。本发明充分利用智能电表内部多个传感器同步采集的监测数据，利用各传感器之间的数据相关性和深度学习算法实现在各个传感器的工作状态监测。在训练阶段，本发明仅采用正常运行状态下获取的传感器数据作为输入，降低了对故障样本数据的依赖性，有望克服传统监测手段存在的传感器状态监测滞后、准确性低等问题，为智能电表的在线监测提供更加高效、可靠的技术解决方案。

主权项：1.一种基于数据相关性的工业仪表故障检测方法，其特征在于，具体方法如下：确定待检测工业仪表内的若干传感器；获取待检测工业仪表所有传感器的实时数据；根据实时数据，计算每两个传感器的相关系数矩阵；将实时数据的相关系数矩阵依次输入LSTM编码器和LSTM解码器进行重构；根据重构误差平方和判断工业仪表是否故障；所述LSTM编码器和LSTM解码器由工业仪表正常运行时的历史数据训练；由工业仪表正常运行时的历史数据训练LSTM编码器和LSTM解码器，具体方法如下：给定正常数据样本是长度为N的多变量相关性时间序列Y＝[Y1,Y2,…,YN]，其中在每个时间点t上，Yt∈Rm是一个m维向量，代表了m个传感器在同一时刻的读数；训练LSTM编码器时，其将输入时间序列Y映射到一个固定维度的向量表示： 其中表示编码器在时间步t的隐藏状态，c是编码器隐藏层中LSTM单元的数量，而θE表示编码器网络的参数；训练LSTM解码器时，利用固定维度的向量HE表示来反向重构时间序列，对于解码器，其在时间步t的隐藏状态为： 其中，是由上一时间步的预测值Yt和编码器的最终状态计算得出，而θD表示解码器网络的参数；在解码过程中，通过带有权重矩阵w和偏置向量b的线性层，结合解码器当前隐藏状态来预测下一个时间步的目标值 模型的训练目标是最小化整个训练序列集Y＝[Y1,Y2,…,YN]上所有时间点的重构误差平方和最小；重构误差平方和计算公式如下： 根据重构误差平方和判断工业仪表是否故障，具体方法如下：将实时数据转换的皮尔逊相关系数数据矩阵V依次输入到训练好的LSTM编码器和LSTM解码器中，进行重构；计算重构误差平方和作为输入序列的异常得分a，具体计算公式为： 记预设的异常分阈值为τ，则故障判断公式为：

全文数据：

权利要求：

百度查询： 重庆大学 一种基于数据相关性的工业仪表故障检测方法