本發(fā)明涉及機(jī)械測試領(lǐng)域，特別地，涉及一種新異類檢測方法與裝置。

背景技術(shù)：

由于旋轉(zhuǎn)機(jī)械設(shè)計時考慮了很高的安全系數(shù)，一般情況下只能采集到大量的正常狀態(tài)樣本數(shù)據(jù)。另外，考慮到故障所造成的損失，一般不開展典型故障植入實驗，因此，在旋轉(zhuǎn)機(jī)械的故障診斷應(yīng)用中，很難獲取典型故障樣本和完備的故障模式特征。因此，如何通過學(xué)習(xí)正常狀態(tài)樣本數(shù)據(jù)來識別不正常的狀態(tài)(故障狀態(tài))，成為旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的難題。

新異類檢測技術(shù)能較好地解決這個難題。近年來，學(xué)者們研究了許多的方法。它們大致概括為三類：統(tǒng)計方法、神經(jīng)網(wǎng)絡(luò)方法和支持向量數(shù)據(jù)描述(Support Vector Data Description，SVDD)方法。

常用的統(tǒng)計方法有參數(shù)法和非參數(shù)法。參數(shù)法通過估計訓(xùn)練樣本的概率密度函數(shù)來判斷新的樣本數(shù)據(jù)是否屬于已知類別，如高斯混合模型。參數(shù)法建模時需要對訓(xùn)練數(shù)據(jù)的分布作出正態(tài)分布假設(shè)，然后計算分布模型的參數(shù)。這種方法計算量少，容易實現(xiàn)，適合在線診斷。然而實際的測量數(shù)據(jù)往往不是正態(tài)分布的，所以，參數(shù)估計法實用性受到了限制。非參數(shù)法不需要事先估計數(shù)據(jù)的分布，因此受到廣泛的應(yīng)用。如K-近鄰(K-Nearest Neighbor，KNN)方法，Parzen法等都是典型的參數(shù)法，但這些方法的檢測效果不但對參數(shù)選擇敏感，而且抗噪性能差。

基于神經(jīng)網(wǎng)絡(luò)的新異類檢測方法有多層感知神經(jīng)網(wǎng)絡(luò)(Multi-Layer Perception，MLP)，RBF神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)矢量量化網(wǎng)絡(luò)(Learning Vector Quantization，LVQ)和自組織映射(Self Organizing Map，SOM)神經(jīng)網(wǎng)絡(luò)。相對于統(tǒng)計方法，神經(jīng)網(wǎng)絡(luò)不需要先驗的概率分布知識，能降低訓(xùn)練計算強(qiáng)度，提高了新異類檢測推廣能力。但是，神經(jīng)網(wǎng)絡(luò)方法不但容易陷入局部極小值，而且存在過學(xué)習(xí)和欠學(xué)習(xí)，容易出現(xiàn)“死神經(jīng)元”等問題。

SVDD方法采用核函數(shù)將輸入樣本映射到高維特征空間，然后在特征空間中構(gòu)造一個涵蓋了最可能多的正常樣本的超球面，以此超球面作為決策邊界。SVDD是SVM方法的推廣，能較好解決小樣本、非線性學(xué)習(xí)問題，在機(jī)械故障診斷領(lǐng)域得到了廣泛的應(yīng)用。然而，正如SVM方法一樣，SVDD方法識別效果同樣受參數(shù)影響，需要嚴(yán)格的參數(shù)調(diào)整和優(yōu)化。Tax and Duin提出通過留一法驗證來調(diào)整參數(shù)，可是留一法計算量巨大。多SVDD模型融合的SVDD方法可以減少參數(shù)對分類結(jié)果的影響，但是，如何確定模型以及模型的數(shù)量又成為了難題。

針對現(xiàn)有技術(shù)中各處理方法參數(shù)選擇敏感、抗噪性能差、存在過學(xué)習(xí)和欠學(xué)習(xí)、計算量巨大、計算效率低等問題，目前尚無有效的解決方案。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提出一種新異類檢測方法與裝置，能夠高魯棒性與高效率的解決只有大量的正常樣本沒有故障樣本的機(jī)械故障診斷問題。

基于上述目的，本發(fā)明提供的技術(shù)方案如下：

本發(fā)明實施例提供了一種新異類檢測方法，包括：

收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗證樣本；

從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；

從驗證樣本中提取特征值，同時使用狀態(tài)模型處理驗證樣本獲得預(yù)測特征值，根據(jù)每一組特征值與預(yù)測特征值確定一個對應(yīng)的預(yù)測誤差平方和，并根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值；

根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

在一些實施方式中，所述特征值的提取步驟包括：

對樣本進(jìn)行局部特征尺度分解(Local characteristic scale decomposition，LCD)，獲得內(nèi)稟尺度分量(Intrinsic scale component，ISC)集合；

用相關(guān)系數(shù)法從內(nèi)稟尺度分量集合中剔除與噪聲和分解過程有關(guān)的內(nèi)稟尺度分量，獲得主導(dǎo)內(nèi)稟尺度分量集合；

重構(gòu)主導(dǎo)內(nèi)稟尺度分量集合獲得降噪后的振動加速度信號；

從降噪后的振動加速度信號中提取高相關(guān)性的時域統(tǒng)計特征量作為特征值。

在一些實施方式中，所述收集正常狀態(tài)下的樣本為采集正常狀態(tài)下的原始振動信號。

在一些實施方式中，所述特征值包括：峭度、峰值因子、裕度、脈沖因子、波形因子。

在一些實施方式中，所述狀態(tài)模型為以下之一：線性模型、線性交互模型、純二次模型或二次交互模型。

在一些實施方式中，所述根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值包括：

計算所有驗證樣本的預(yù)測誤差平方和的均值作為期望值；

計算所有驗證樣本的預(yù)測誤差平方和的方差作為標(biāo)準(zhǔn)差；

根據(jù)所有驗證樣本的預(yù)測誤差平方和期望值、標(biāo)準(zhǔn)差與誤檢率計算預(yù)測誤差平方和閾值。

在一些實施方式中，所述根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類包括：

將一測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值進(jìn)行大小比較；

當(dāng)預(yù)測誤差平方和大于預(yù)測誤差平方和閾值時，判定該測試樣本為新異類樣本；

當(dāng)預(yù)測誤差平方和小于預(yù)測誤差平方和閾值時，判定該測試樣本為正常樣本。

本發(fā)明實施例還提供了一種電子設(shè)備，包括至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行上述方法。

本發(fā)明實施例還提供了一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，所述非暫態(tài)計算機(jī)可讀存儲介質(zhì)存儲計算機(jī)指令，所述計算機(jī)指令用于使所述計算機(jī)執(zhí)行上述方法。

本發(fā)明實施例還提供了一種計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品包括存儲在非暫態(tài)計算機(jī)可讀存儲介質(zhì)上的計算程序，所述計算機(jī)程序包括程序指令，當(dāng)所述程序指令被計算機(jī)執(zhí)行時，使所述計算機(jī)執(zhí)行上述方法。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗證樣本中提取特征值，同時使用狀態(tài)模型處理驗證樣本獲得預(yù)測特征值，根據(jù)每一組特征值與預(yù)測特征值確定一個對應(yīng)的預(yù)測誤差平方和，并根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值；最后根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

本發(fā)明能夠高魯棒性與高效率的解決機(jī)械故障診斷中的新異類檢測問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為根據(jù)本發(fā)明實施例的一種新異類檢測方法的流程圖；

圖2為根據(jù)本發(fā)明實施例的一種新異類檢測中，從樣本中提取特征值的流程圖；

圖3為根據(jù)本發(fā)明實施例的一種新異類檢測方法的一個實施例的詳細(xì)流程圖；

圖4為本發(fā)明實施例提供的執(zhí)行所述一種新異類檢測方法的電子設(shè)備的一個實施例的硬件結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)一步進(jìn)行清楚、完整、詳細(xì)地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

基于上述目的，本發(fā)明實施例的第一個方面，提出了一種新異類檢測方法的一個實施例。

如圖1所示，根據(jù)本發(fā)明實施例提供的新異類檢測方法包括：

步驟S101，收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗證樣本；

步驟S103，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；

步驟S105，從驗證樣本中提取特征值，同時使用狀態(tài)模型處理驗證樣本獲得預(yù)測特征值，根據(jù)每一組特征值與預(yù)測特征值確定一個對應(yīng)的預(yù)測誤差平方和，并根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值；

步驟S107，根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

如圖2所示，在一些實施方式中，所述特征值的提取步驟包括：

步驟S201，對樣本進(jìn)行局部特征尺度分解，獲得內(nèi)稟尺度分量集合；

步驟S203，用相關(guān)系數(shù)法從內(nèi)稟尺度分量集合中剔除與噪聲和分解過程有關(guān)的內(nèi)稟尺度分量，獲得主導(dǎo)內(nèi)稟尺度分量集合；

步驟S205，重構(gòu)主導(dǎo)內(nèi)稟尺度分量集合獲得降噪后的振動加速度信號；

步驟S207，從降噪后的振動加速度信號中提取高相關(guān)性的時域統(tǒng)計特征量作為特征值。

在一些實施方式中，所述收集正常狀態(tài)下的樣本為采集正常狀態(tài)下的原始振動信號。

在一些實施方式中，所述特征值包括：峭度、峰值因子、裕度、脈沖因子、波形因子。

在一些實施方式中，所述狀態(tài)模型為以下之一：線性模型、線性交互模型、純二次模型或二次交互模型。

在一些實施方式中，所述根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值包括：

計算所有驗證樣本的預(yù)測誤差平方和的均值作為期望值；

計算所有驗證樣本的預(yù)測誤差平方和的方差作為標(biāo)準(zhǔn)差；

根據(jù)所有驗證樣本的預(yù)測誤差平方和期望值、標(biāo)準(zhǔn)差與誤檢率計算預(yù)測誤差平方和閾值。

在一些實施方式中，所述根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類包括：

將一測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值進(jìn)行大小比較；

當(dāng)預(yù)測誤差平方和大于預(yù)測誤差平方和閾值時，判定該測試樣本為新異類樣本；

當(dāng)預(yù)測誤差平方和小于預(yù)測誤差平方和閾值時，判定該測試樣本為正常樣本。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗證樣本中提取特征值，同時使用狀態(tài)模型處理驗證樣本獲得預(yù)測特征值，根據(jù)每一組特征值與預(yù)測特征值確定一個對應(yīng)的預(yù)測誤差平方和，并根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值；最后根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

本發(fā)明能夠高魯棒性與高效率的解決只有大量的正常樣本沒有故障樣本的機(jī)械故障診斷問題。

基于上述目的，本發(fā)明實施例的第二個方面，提出了一種新異類檢測方法的一個實施例。

基于變量預(yù)測模型的分類識別方法(Variable predictive model-based class discriminate，VPMCD)是一種新的模式識別方法。該方法分成模型訓(xùn)練和分類識別兩個過程。在模型訓(xùn)練過程，VPMCD方法采用選擇線性模型、線性交互模型、純二次模型和二次交互四種模型之一，采用回歸分析方法，以誤差最小為判別函數(shù)來獲取系統(tǒng)特征變量之間的相互內(nèi)在關(guān)系，從而建立反映系統(tǒng)本質(zhì)特征的變量預(yù)測模型(VPM)。在分類識別階段，VPMCD方法利用VPM來預(yù)測未知樣本的特征值，然后以預(yù)測誤差平方和最小為依據(jù)來實現(xiàn)判斷未知樣本的類別，實現(xiàn)分類識別。

本發(fā)明實施例基于VPMCD方法，提出了一種的新異類檢測方法(ND-VPMCD)方法。首先，采用正常樣本數(shù)據(jù)建立預(yù)測模型并設(shè)定預(yù)測誤差平方和閾值，然后針對某一測試樣本，采用訓(xùn)練好的預(yù)測模型對測試樣本的特征值進(jìn)行預(yù)測，計算預(yù)測誤差平方和，最后以預(yù)測誤差平方和是否小于閾值為判別函數(shù)，判斷測試樣本是否為新異類。該方法的具體步驟如下：

首先，進(jìn)行ND-VPMCD模型訓(xùn)練。

共收集N個正常狀態(tài)下的樣本，將樣本隨機(jī)分成兩組，一組N_train個樣本，用來訓(xùn)練模型，剩下的N-N_train個樣本為另一組，用來驗證模型并設(shè)定閾值(樣本數(shù)目少時也可以不分組)。然后，對N_train個正常樣本提取特征值，組成特征向量X＝[X₁,X₂,…,X_p]，并訓(xùn)練狀態(tài)模型VPM_normal。

然后，統(tǒng)計方法確定預(yù)測誤差平方和閾值。

用VPM_normal模型對正常狀態(tài)的N-N_train個樣本的各個特征變量進(jìn)行預(yù)測，并求取預(yù)測誤差平方和向量SSE_normal。正常情況SSE_normal應(yīng)該在其在閾值區(qū)間內(nèi)。如果在采樣周期內(nèi)，SSE_normal超過了閾值，則需要重新訓(xùn)練模型。根據(jù)切比雪夫不等式，對于任意實數(shù)ε.＞0，有

P{|SSE_normal-u|≥ε}≤σ²/ε² (1)

令ε＝nσ，n＞0，則上述不等式可以變換為：

P{|SSE_normal-u|≥nσ}≤1/n² (2)

其中u為數(shù)學(xué)期望，σ為標(biāo)準(zhǔn)差。對于給定檢率α＝1/n²，則可以得到SSE_normal的正常區(qū)域為：C:[0,μ±nσ]。

假設(shè)SSE_normal屬于正態(tài)分布，考慮到總是為正值，則SSE_normal的雙側(cè)閾值區(qū)域改為單側(cè)。例如，給定誤檢率α＝0.1、0.05、0.025，分別對應(yīng)的閾值區(qū)間C₁:[0,μ+3σ]、C₂:[0,μ+4.5σ]、C₃:[0,μ+6σ]，實際應(yīng)用中可以采用SSE_normal的均值代替數(shù)學(xué)期望u，用方差代替標(biāo)準(zhǔn)差σ。因此，在不同的誤檢率要求下，可以得到相應(yīng)的最大誤差平方和MSSE_normal＝u+nσ作為閾值來判別測試樣本是否屬于新異類。

最后，進(jìn)行ND-VPMCD分類。

采集測試樣本z，并提取其特征值，組成特征向量X＝[X₁,X₂,…,X_p]。

對于測試樣本z，采用VPM_normal對其進(jìn)行預(yù)測，分別得到所有特征的預(yù)測值向量

計算測試樣本z預(yù)測值的誤差平方和SSE_z。對于測試樣本z，判斷它是否屬于新異類，要看SSE_z是否大于MSSE_normal。即如果

SSE_z＞MSSE_normal (3)

成立，則測試樣本z屬于新異類，否則，屬于正常類。

以下選擇UCI數(shù)據(jù)庫iris數(shù)據(jù)集來進(jìn)行仿真分析，驗證ND-VPMCD新異類檢測方法的有效性。iris數(shù)據(jù)集包含3類樣本，分別為Setosa(ST)，Versicolor(VS)和Virginica(VR)，每類樣本各50組數(shù)據(jù)，共有150組數(shù)據(jù)，每組數(shù)據(jù)4個屬性值，即特征值向量為X＝[X₁,X₂,X₃,X₄]。本次實驗將ST類視為正常類，一共50組ST類數(shù)據(jù)，類標(biāo)簽定義為+1；將VS和VR視為新異類(非目標(biāo)類)，一共100組新異類數(shù)據(jù)，類標(biāo)簽定義為－1。從50組ST類數(shù)據(jù)集中隨機(jī)抽取20組數(shù)據(jù)作為訓(xùn)練樣本，用r＝2的LI模型作為ST類的變量預(yù)測模型，見下表。

同時，計算出ST類樣本的誤差平方和SSE_normal，且得到MSSE_normal＝0.5195。然后，用ST類的變量預(yù)測模型對30組ST類數(shù)據(jù)和100組非ST類的測試樣本進(jìn)行預(yù)測，并計算每一個測試樣本的預(yù)測誤差平方和SSE_z。最后，根據(jù)式(3)的判別函數(shù)來判斷樣本分別屬于哪一類別。

新異類檢測器的性能指標(biāo)有：檢測率r_t(Rate of True Alarm)和虛警率r_f(Rate of False Alarm)。檢測率為異類樣本被判為異常類的比率，則漏警率1-r_t。虛警率為正常樣本被判為異常類的比率。性能高的檢測器應(yīng)該既有較高的檢測率又有較低的虛警率。ND-VPMCD方法對iris數(shù)據(jù)的仿真實驗分析結(jié)果見下表，ND-VPMCD方法對iris數(shù)據(jù)的新異類檢測率為100％，虛警率為0，即能有效地檢測出新異類。

為了驗證本發(fā)明實施例提出的機(jī)械故障診斷方法的有效性和實用性，選用軸承作為實驗對象，在軸承故障實驗臺上，對滾動軸承6307進(jìn)行實驗。通過激光切割分別在滾動軸承6307的內(nèi)圈和外圈加工寬0.15mm，深0.13mm的切槽來設(shè)置內(nèi)圈故障和外圈故障。實驗中采集正常狀態(tài)的振動加速度信號200個樣本,并將它們平均分成兩組，每組100個樣本。采集內(nèi)圈故障和外圈故障狀態(tài)的振動加速度各18個樣本作為分析數(shù)據(jù)，采樣頻率為4096Hz，軸轉(zhuǎn)速為680rpm，采樣數(shù)據(jù)長度為1024點。實驗中將正常狀態(tài)定義為目標(biāo)類，類標(biāo)簽為+1，將內(nèi)圈故障和外圈故障狀態(tài)定義為非目標(biāo)類，即異常類，類標(biāo)簽為－1。

由于傳感器獲取的信號含有較強(qiáng)的背景噪音，采用LCD方法降噪后再提取特征向量。首先對原始振動加速度信號進(jìn)行LCD分解，得到若干ISC分量。然后采用相關(guān)系數(shù)法剔除與噪聲和分解過程有關(guān)的偽ISC分量，得到主導(dǎo)ISC分量，接著將這些主導(dǎo)ISC分量重構(gòu)，得到降噪后的振動加速度信號。最后對這些降噪后的信號提取具有較好的相關(guān)性的時域統(tǒng)計特征量：峭度、峰值因子、裕度、脈沖因子、波形因子。

圖3示出的是基于ND-VPMCD的新異類檢測方法的流程圖。首先，從第一組正常樣本中隨機(jī)抽取N_train個樣本作為訓(xùn)練樣本，用前述5個時域統(tǒng)計特征量組成特征向量作為ND-VPMCD的輸入向量訓(xùn)練預(yù)測變量模型VPM_training，然后利用VPM_training對剩余的100-N_train個正常樣本進(jìn)行預(yù)測，得到預(yù)測誤差平方和，計算預(yù)測誤差平方和均值和標(biāo)準(zhǔn)差，從而得到閾值MSSE_normal。實驗中，考慮QI和LI包括L模型和Q模型，且實驗中的正常狀態(tài)樣本數(shù)目較多，故采用r＝3的LI模型和r＝4的QI模型，分別選取N_train為20、30、40和50來訓(xùn)練建立VPM_training。最后，將第二組100個正常樣本和36個故障樣本作為測試樣本，利用訓(xùn)練好的預(yù)測變量模型VPM_training預(yù)測測試樣本的各特征變量，并得到預(yù)測值和每個樣本的預(yù)測誤差平方和，以預(yù)測誤差平方和是否小于閾值為判別函數(shù)，實現(xiàn)新異類檢測。

不同的訓(xùn)練樣本數(shù)目下兩種模型的檢測結(jié)果見下表，實驗中的平均檢測時間為0.28s。

可見檢測率均為100％，從而驗證了ND-VPMCD方法的可靠性。另外可知，ND-VPMCD檢測器的性能受模型類型和訓(xùn)練樣本數(shù)的影響較小。同時注意到，當(dāng)訓(xùn)練樣本數(shù)為30，驗證樣本數(shù)為70時，虛警率最低，即驗證樣本數(shù)約為訓(xùn)練樣本數(shù)的2～3倍時，檢測精度較高而虛警率較低。

為了進(jìn)行對比分析，采用廣泛使用的SVDD方法和ND-VPMCD方法來進(jìn)行滾動軸承故障新異類檢測。為了比較的公平性，同樣從第一組中隨機(jī)選取30個樣本作訓(xùn)練樣本，并將第二組100個正常樣本和36個故障樣本做測試樣本。

SVDD方法需要確定兩個參數(shù)：訓(xùn)練誤差率的上界ν和核參數(shù)σ。下表顯示了不同的參數(shù)設(shè)定情況下的SVDD檢測結(jié)果，從表可見，設(shè)置不同的參數(shù)，SVDD分類效果存在較大的差異。為此，本發(fā)明實施例采用網(wǎng)絡(luò)搜索法，以虛警率最小為目標(biāo)函數(shù)來尋找最優(yōu)參數(shù)，從而得到最佳參數(shù)為：ν＝0.2,σ＝2.0，此時，SVDD方法分類結(jié)果為：檢測率r_t＝100％，虛警率r_f＝10.64％。

綜上所述，本發(fā)明首先收集正常狀態(tài)下的樣本作為訓(xùn)練樣本與驗證樣本，從訓(xùn)練樣本中提取特征值，并根據(jù)訓(xùn)練樣本特征值訓(xùn)練狀態(tài)模型；然后從驗證樣本中提取特征值，同時使用狀態(tài)模型處理驗證樣本獲得預(yù)測特征值，根據(jù)每一組特征值與預(yù)測特征值確定一個對應(yīng)的預(yù)測誤差平方和，并根據(jù)所有預(yù)測誤差平方和計算預(yù)測誤差平方和閾值；最后根據(jù)測試樣本的預(yù)測誤差平方和與預(yù)測誤差平方和閾值的比較判斷測試樣本是否屬于新異類。

本發(fā)明能夠高魯棒性與高效率的解決只有大量的正常樣本沒有故障樣本的機(jī)械故障診斷問題。

基于上述目的，本發(fā)明實施例的第三個方面，提出了一種執(zhí)行所述新異類檢測方法的電子設(shè)備的一個實施例。

所述執(zhí)行所述新異類檢測方法的電子設(shè)備包括：

至少一個處理器；以及，

與所述至少一個處理器通信連接的存儲器；其中，

所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如上所述任意一種方法。

圖4示出的是本發(fā)明提供的執(zhí)行所述新異類檢測方法的電子設(shè)備的一個實施例的硬件結(jié)構(gòu)示意圖。

以如圖4所示的電子設(shè)備為例，在該電子設(shè)備中包括一個處理器401以及一個存儲器402，并還可以包括：輸入裝置403和輸出裝置404。

處理器401、存儲器402、輸入裝置403和輸出裝置404可以通過總線或者其他方式連接，圖4中以通過總線連接為例。

存儲器402作為一種非易失性計算機(jī)可讀存儲介質(zhì)，可用于存儲非易失性軟件程序、非易失性計算機(jī)可執(zhí)行程序以及模塊，如本申請實施例中的所述新異類檢測方法對應(yīng)的程序指令/模塊。處理器401通過運(yùn)行存儲在存儲器402中的非易失性軟件程序、指令以及模塊，從而執(zhí)行服務(wù)器的各種功能應(yīng)用以及數(shù)據(jù)處理，即實現(xiàn)上述方法實施例的新異類檢測方法。

存儲器402可以包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、至少一個功能所需要的應(yīng)用程序；存儲數(shù)據(jù)區(qū)可存儲根據(jù)新異類檢測裝置的使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲器402可以包括高速隨機(jī)存取存儲器，還可以包括非易失性存儲器，例如至少一個磁盤存儲器件、閃存器件、或其他非易失性固態(tài)存儲器件。在一些實施例中，存儲器402可選包括相對于處理器401遠(yuǎn)程設(shè)置的存儲器。上述網(wǎng)絡(luò)的實例包括但不限于互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)、局域網(wǎng)、移動通信網(wǎng)及其組合。

輸入裝置403可接收輸入的數(shù)字或字符信息，以及產(chǎn)生與新異類檢測裝置的用戶設(shè)置以及功能控制有關(guān)的鍵信號輸入。輸出裝置404可包括顯示屏等顯示設(shè)備。

所述一個或者多個模塊存儲在所述存儲器402中，當(dāng)被所述處理器401執(zhí)行時，執(zhí)行上述任意方法實施例中的新異類檢測方法。

所述執(zhí)行所述新異類檢測方法的電子設(shè)備的任何一個實施例，可以達(dá)到與之對應(yīng)的前述任意方法實施例相同或者相類似的效果。

本申請實施例提供了一種非暫態(tài)計算機(jī)存儲介質(zhì)，所述計算機(jī)存儲介質(zhì)存儲有計算機(jī)可執(zhí)行指令，該計算機(jī)可執(zhí)行指令可執(zhí)行上述任意方法實施例中的新異類檢測方法。所述非暫態(tài)計算機(jī)存儲介質(zhì)的實施例，可以達(dá)到與之對應(yīng)的前述任意方法實施例相同或者相類似的效果。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機(jī)程序來指令相關(guān)硬件來完成，所述的程序可存儲于一計算機(jī)可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機(jī)存儲記憶體(Random Access Memory，RAM)等。所述計算機(jī)程序的實施例，可以達(dá)到與之對應(yīng)的前述任意方法實施例相同或者相類似的效果。

此外，典型地，本公開所述的裝置、設(shè)備等可為各種電子終端設(shè)備，例如手機(jī)、個人數(shù)字助理(PDA)、平板電腦(PAD)、智能電視等，也可以是大型終端設(shè)備，如服務(wù)器等，因此本公開的保護(hù)范圍不應(yīng)限定為某種特定類型的裝置、設(shè)備。本公開所述的客戶端可以是以電子硬件、計算機(jī)軟件或兩者的組合形式應(yīng)用于上述任意一種電子終端設(shè)備中。

此外，根據(jù)本公開的方法還可以被實現(xiàn)為由CPU執(zhí)行的計算機(jī)程序，該計算機(jī)程序可以存儲在計算機(jī)可讀存儲介質(zhì)中。在該計算機(jī)程序被CPU執(zhí)行時，執(zhí)行本公開的方法中限定的上述功能。

此外，上述方法步驟以及系統(tǒng)單元也可以利用控制器以及用于存儲使得控制器實現(xiàn)上述步驟或單元功能的計算機(jī)程序的計算機(jī)可讀存儲介質(zhì)實現(xiàn)。

此外，應(yīng)該明白的是，本文所述的計算機(jī)可讀存儲介質(zhì)(例如，存儲器)可以是易失性存儲器或非易失性存儲器，或者可以包括易失性存儲器和非易失性存儲器兩者。作為例子而非限制性的，非易失性存儲器可以包括只讀存儲器(ROM)、可編程ROM(PROM)、電可編程ROM(EPROM)、電可擦寫可編程ROM(EEPROM)或快閃存儲器。易失性存儲器可以包括隨機(jī)存取存儲器(RAM)，該RAM可以充當(dāng)外部高速緩存存儲器。作為例子而非限制性的，RAM可以以多種形式獲得，比如同步RAM(DRAM)、動態(tài)RAM(DRAM)、同步DRAM(SDRAM)、雙數(shù)據(jù)速率SDRAM(DDR SDRAM)、增強(qiáng)SDRAM(ESDRAM)、同步鏈路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公開的方面的存儲設(shè)備意在包括但不限于這些和其它合適類型的存儲器。

本領(lǐng)域技術(shù)人員還將明白的是，結(jié)合這里的公開所描述的各種示例性邏輯塊、模塊、電路和算法步驟可以被實現(xiàn)為電子硬件、計算機(jī)軟件或兩者的組合。為了清楚地說明硬件和軟件的這種可互換性，已經(jīng)就各種示意性組件、方塊、模塊、電路和步驟的功能對其進(jìn)行了一般性的描述。這種功能是被實現(xiàn)為軟件還是被實現(xiàn)為硬件取決于具體應(yīng)用以及施加給整個系統(tǒng)的設(shè)計約束。本領(lǐng)域技術(shù)人員可以針對每種具體應(yīng)用以各種方式來實現(xiàn)所述的功能，但是這種實現(xiàn)決定不應(yīng)被解釋為導(dǎo)致脫離本公開的范圍。

結(jié)合這里的公開所描述的各種示例性邏輯塊、模塊和電路可以利用被設(shè)計成用于執(zhí)行這里所述功能的下列部件來實現(xiàn)或執(zhí)行：通用處理器、數(shù)字信號處理器(DSP)、專用集成電路(ASIC)、現(xiàn)場可編程門陣列(FPGA)或其它可編程邏輯器件、分立門或晶體管邏輯、分立的硬件組件或者這些部件的任何組合。通用處理器可以是微處理器，但是可替換地，處理器可以是任何傳統(tǒng)處理器、控制器、微控制器或狀態(tài)機(jī)。處理器也可以被實現(xiàn)為計算設(shè)備的組合，例如，DSP和微處理器的組合、多個微處理器、一個或多個微處理器結(jié)合DSP核、或任何其它這種配置。

結(jié)合這里的公開所描述的方法或算法的步驟可以直接包含在硬件中、由處理器執(zhí)行的軟件模塊中或這兩者的組合中。軟件模塊可以駐留在RAM存儲器、快閃存儲器、ROM存儲器、EPROM存儲器、EEPROM存儲器、寄存器、硬盤、可移動盤、CD-ROM、或本領(lǐng)域已知的任何其它形式的存儲介質(zhì)中。示例性的存儲介質(zhì)被耦合到處理器，使得處理器能夠從該存儲介質(zhì)中讀取信息或向該存儲介質(zhì)寫入信息。在一個替換方案中，所述存儲介質(zhì)可以與處理器集成在一起。處理器和存儲介質(zhì)可以駐留在ASIC中。ASIC可以駐留在用戶終端中。在一個替換方案中，處理器和存儲介質(zhì)可以作為分立組件駐留在用戶終端中。

在一個或多個示例性設(shè)計中，所述功能可以在硬件、軟件、固件或其任意組合中實現(xiàn)。如果在軟件中實現(xiàn)，則可以將所述功能作為一個或多個指令或代碼存儲在計算機(jī)可讀介質(zhì)上或通過計算機(jī)可讀介質(zhì)來傳送。計算機(jī)可讀介質(zhì)包括計算機(jī)存儲介質(zhì)和通信介質(zhì)，該通信介質(zhì)包括有助于將計算機(jī)程序從一個位置傳送到另一個位置的任何介質(zhì)。存儲介質(zhì)可以是能夠被通用或?qū)Ｓ糜嬎銠C(jī)訪問的任何可用介質(zhì)。作為例子而非限制性的，該計算機(jī)可讀介質(zhì)可以包括RAM、ROM、EEPROM、CD-ROM或其它光盤存儲設(shè)備、磁盤存儲設(shè)備或其它磁性存儲設(shè)備，或者是可以用于攜帶或存儲形式為指令或數(shù)據(jù)結(jié)構(gòu)的所需程序代碼并且能夠被通用或?qū)Ｓ糜嬎銠C(jī)或者通用或?qū)Ｓ锰幚砥髟L問的任何其它介質(zhì)。此外，任何連接都可以適當(dāng)?shù)胤Q為計算機(jī)可讀介質(zhì)。例如，如果使用同軸線纜、光纖線纜、雙絞線、數(shù)字用戶線路(DSL)或諸如紅外線、無線電和微波的無線技術(shù)來從網(wǎng)站、服務(wù)器或其它遠(yuǎn)程源發(fā)送軟件，則上述同軸線纜、光纖線纜、雙絞線、DSL或諸如紅外先、無線電和微波的無線技術(shù)均包括在介質(zhì)的定義。如這里所使用的，磁盤和光盤包括壓縮盤(CD)、激光盤、光盤、數(shù)字多功能盤(DVD)、軟盤、藍(lán)光盤，其中磁盤通常磁性地再現(xiàn)數(shù)據(jù)，而光盤利用激光光學(xué)地再現(xiàn)數(shù)據(jù)。上述內(nèi)容的組合也應(yīng)當(dāng)包括在計算機(jī)可讀介質(zhì)的范圍內(nèi)。

以上是本發(fā)明公開的示例性實施例，但是應(yīng)當(dāng)注意，在不背離權(quán)利要求限定的本公開的范圍的前提下，可以進(jìn)行多種改變和修改。根據(jù)這里描述的公開實施例的方法權(quán)利要求的功能、步驟和/或動作不需以任何特定順序執(zhí)行。此外，盡管本公開的元素可以以個體形式描述或要求，但是也可以設(shè)想多個，除非明確限制為單數(shù)。

應(yīng)當(dāng)理解的是，在本文中使用的，除非上下文清楚地支持例外情況，單數(shù)形式“一個”(“a”、“an”、“the”)旨在也包括復(fù)數(shù)形式。還應(yīng)當(dāng)理解的是，在本文中使用的“和/或”是指包括一個或者一個以上相關(guān)聯(lián)地列出的項目的任意和所有可能組合。

上述本公開實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分步驟可以通過硬件來完成，也可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機(jī)可讀存儲介質(zhì)中，上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。

所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上任何實施例的討論僅為示例性的，并非旨在暗示本公開的范圍(包括權(quán)利要求)被限于這些例子；在本發(fā)明實施例的思路下，以上實施例或者不同實施例中的技術(shù)特征之間也可以進(jìn)行組合，并存在如上所述的本發(fā)明實施例的不同方面的許多其它變化，為了簡明它們沒有在細(xì)節(jié)中提供。因此，凡在本發(fā)明實施例的精神和原則之內(nèi)，所做的任何省略、修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明實施例的保護(hù)范圍之內(nèi)。