基于多維狀態(tài)參量和時間序列對電機(jī)的異常檢測

徐守坤，瞿詩齊，石 林，王 斌

（常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213000）

基于多維狀態(tài)參量和時間序列對電機(jī)的異常檢測

徐守坤，瞿詩齊，石 林，王 斌

（常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213000）

針對傳統(tǒng)對電機(jī)的異常檢測常常出現(xiàn)誤判或滯后的情況，采用基于時間序列對電機(jī)單一狀態(tài)參量用AR擬合，同時利用SOM神經(jīng)網(wǎng)絡(luò)無監(jiān)督的方式量化電機(jī)數(shù)據(jù)；然后，利用得到的量化序列結(jié)合AR曲線得到序列的轉(zhuǎn)移概率，及早發(fā)現(xiàn)某種狀態(tài)參量的異常變化；之后，DBSCAN算法挖掘多維參數(shù)之間特征關(guān)系來確定電機(jī)是否出現(xiàn)異常；最后結(jié)合實(shí)例說明該方法的檢測過程，并對比驗(yàn)證了該方法的優(yōu)越性。

異常檢測；時間序列；AR擬合；SOM神經(jīng)網(wǎng)絡(luò)；DBSCAN算法

0 引言

現(xiàn)在對于電機(jī)故障發(fā)生前的異常檢測成為了必然的研究趨勢，對設(shè)備進(jìn)行異常檢測大多是根據(jù)經(jīng)驗(yàn)對電機(jī)部分狀態(tài)參量設(shè)置的閾值，或者利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練等人工智能的方式來檢測異常［1］。這些傳統(tǒng)的檢測方式，不僅存在著數(shù)據(jù)分析片面性的問題，而且由于異常數(shù)據(jù)少，數(shù)據(jù)之間的相關(guān)性復(fù)雜等問題不能很好的建立比較完善的異常檢測模型。近年，大數(shù)據(jù)技術(shù)中時間序列分析法［2］、隱馬爾科夫算法［3］、聚類算法［4］等也被引入了設(shè)備異常檢測領(lǐng)域，為電機(jī)的異常檢測提供了新的思路［5］。但是，這些單一的方法對電機(jī)異常的檢測，容易出現(xiàn)誤判或者判斷滯后的情況，不能及時高效地進(jìn)行異常判定。

本文考慮電機(jī)運(yùn)行時狀態(tài)參量與時間序列的相關(guān)性，提出通過時間序列分析和無監(jiān)督學(xué)習(xí)的方式，來對電機(jī)進(jìn)行異常檢測。針對電機(jī)正常的單一狀態(tài)參量，通過時間序列的自回歸算法［6］和利用自組織神經(jīng)網(wǎng)絡(luò)［7］分別擬合建立電機(jī)的時間序列模型；然后利用訓(xùn)練好的自組織神經(jīng)網(wǎng)絡(luò)量化數(shù)據(jù)，根據(jù)建立好的AR模型［8］，得到監(jiān)測數(shù)據(jù)基于時間軸的轉(zhuǎn)移概率序列。同時，將設(shè)備的多種狀態(tài)參量通過DBSCAN聚類算法［9］來處理它們之間的復(fù)雜關(guān)系，從而建立電機(jī)的異常檢測模型。該方法通過時間序列模型和自適應(yīng)模型來挖掘數(shù)據(jù)的特征，盡早發(fā)現(xiàn)異常的出現(xiàn)，同時利用DBSCAN的方法來綜合多維狀態(tài)參量的關(guān)系，解決單一狀態(tài)量的片面性從而減少誤判。與傳統(tǒng)的閾值判定、神經(jīng)網(wǎng)絡(luò)訓(xùn)練和單一的聚類的方法的方式相比而言，該方法不僅解決了多維參量的相關(guān)性和異常數(shù)據(jù)少的問題，而且還增加了異常判定的準(zhǔn)確性。

1 相關(guān)算法

1.1 時間序列自回歸模型

時間序列自回歸模型（Auto－Regressive，AR）就是按照時間的順序，分析數(shù)據(jù)序列本身的規(guī)律和特征，從而預(yù)測該數(shù)據(jù)未來的情況。簡言之，利用時間軸上已知的數(shù)據(jù)，用統(tǒng)計學(xué)的方法來預(yù)測未來的數(shù)據(jù)。因?yàn)锳R系統(tǒng)中數(shù)據(jù)的變化依賴于上時刻的數(shù)據(jù)［10］，不會發(fā)生突變，這與企業(yè)中電機(jī)運(yùn)行時的低動態(tài)性相符合，所以比較適合對電機(jī)進(jìn)行擬合。

電機(jī)在正常工作時，狀態(tài)量主要呈現(xiàn)平穩(wěn)狀態(tài)或者周期性變化。其中變化不大的數(shù)據(jù)序列因其勢態(tài)比較平穩(wěn)，可直接用AR（1）擬合，如：電機(jī)的三相電壓電流、功率因素等；周期性變化的數(shù)據(jù)序列，總的來說波動幅度不大，如電機(jī)溫度、振動、噪聲等，在除掉周期性后也可以通過AR（1）擬合，公式如下：

其中：xt為設(shè)備狀態(tài)參量的數(shù)據(jù)序列；et為正態(tài)分布的白

經(jīng)過多次迭代后，xt距它所屬于的輸出節(jié)點(diǎn)最近，這樣就能將時間序列xt進(jìn)行量化。

1.3 DBSCAN聚類算法

聚類方法是多維統(tǒng)計分析的有效方法的一種，它將數(shù)據(jù)中最相近的數(shù)據(jù)分為一類，不同子類的數(shù)據(jù)盡可能不相似的方法。其中，DBSCAN算法是基于密度的聚類方法，它依據(jù)數(shù)據(jù)的分布密度來生成簇，同時它具有抗噪聲的能力，而且能處理任何形狀和大小的簇［12］。因此，在電機(jī)的多維狀態(tài)參數(shù)中利用可以DBSCAN聚類算法（Density－Based Spatial Clustering of Applications With Noise，DBSCAN）時，不僅可以處理數(shù)據(jù)中的微小噪聲，同時也能發(fā)現(xiàn)電機(jī)的異常數(shù)據(jù)。但是，僅僅利用DBSCAN的方法來分析電機(jī)的異常情況，如果最小包含點(diǎn)數(shù)（minPts）太小容易誤判；但是如果取值太大，對電機(jī)的異常判定往往在發(fā)生異常一段時間之后，造成異常判斷的滯后性。噪聲序列。

由于平時電機(jī)如果不發(fā)生一些意外情況，一般不會發(fā)生突發(fā)性的故障，如：操作錯誤、電壓波動等。設(shè)備往往更多的是在日積月累的磨損下，發(fā)生的漸變式故障。當(dāng)電機(jī)出現(xiàn)異常的時候，檢測到的狀態(tài)參量常常變化并不大，不容易被察覺。因此，對于電機(jī)中那些狀態(tài)量沒有超過規(guī)定閾值的異常，僅僅使用AR模型并不能檢測出來。

1.2 自組織神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)（Self－Organized Map，SOM）是一種由互相連接的神經(jīng)元陣列組成的自組織、無監(jiān)督的競爭式學(xué)習(xí)網(wǎng)絡(luò)，由輸入層和競爭層兩部分構(gòu)成［11］。在SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，競爭層中的各個神經(jīng)元，以歐式距離作為競爭的對比條件，競爭與輸入向量相距最短。其中距離最短的為最優(yōu)神經(jīng)元，它與鄰域中的其它節(jié)點(diǎn)相互激勵，調(diào)整輸入層和競爭層的連接權(quán)值，使領(lǐng)域中的節(jié)點(diǎn)對輸入都能產(chǎn)生近似的輸出結(jié)果。因此SOM算法可以計算出輸入層中數(shù)據(jù)間的相似程度，并把相似度比較大的數(shù)據(jù)就近分配。

將電機(jī)基于時間序列的單一狀態(tài)參量xt作為輸入節(jié)點(diǎn)，利用SOM的算法進(jìn)行訓(xùn)練，得到序列C＝｛C1，C2，…，CN｝作為輸出節(jié)點(diǎn)，xt屬于輸出節(jié)點(diǎn)Cj可表示為：

2 基于時間序列的電機(jī)狀態(tài)參量的特征挖掘

時間序列的自回歸模型的記憶性恰好和電機(jī)工作狀態(tài)參量數(shù)據(jù)連續(xù)性的特性相吻合，因此正好可以用來擬合電機(jī)狀態(tài)參量的曲線。由于自組織神經(jīng)網(wǎng)絡(luò)SOM無監(jiān)督分類的特性，電機(jī)的單一狀態(tài)參量數(shù)據(jù)序列利用訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，就變?yōu)闀r間軸上的離散點(diǎn)序列Ct＝｛C1，C2，…，CN｝。因此，電機(jī)狀態(tài)參量在SOM訓(xùn)練后，其中每個神經(jīng)元節(jié)點(diǎn)的臨近節(jié)點(diǎn)相關(guān)性最強(qiáng)，與其他的節(jié)點(diǎn)相關(guān)性弱［13］，量化生成的序列Ct可以看成是一個神經(jīng)元轉(zhuǎn)移到另一個神經(jīng)元，這樣來挖掘電機(jī)單一狀態(tài)參量的變化特征。之后，利用DBSCAN聚類算法來處理多維狀態(tài)參量之間的關(guān)系。

2.1 電機(jī)狀態(tài)參量序列的概率密度函數(shù)

電機(jī)狀態(tài)參量經(jīng)過SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，若序列中數(shù)據(jù)之間的關(guān)系用轉(zhuǎn)移概率來表示，那么相關(guān)性越大則轉(zhuǎn)移的概率越大，反之，相關(guān)性越小則轉(zhuǎn)移的概率越小。這樣，我們把轉(zhuǎn)移概率用P來表示，那么AR（1）模型中神經(jīng)元之間的一階轉(zhuǎn)移概率為P［ct＋1|ct］。令｛C1，C2，…，CN｝的值為｛1，2，…，N｝，由式（2）可知，在t時刻時，ct為CI的概率可以表示為：

由式（3）可得i（xt）的概率密度函數(shù)為：

在式（1）中，et為正態(tài)分布序列，因此xt也應(yīng)該為正態(tài)分布。令a＝（CI＋CI＋1）／2且b＝（CI＋CI－1）／2，則xt也應(yīng)該為正態(tài)分布，xt的分布函數(shù)可以寫為：

2.2 電機(jī)狀態(tài)參量序列神經(jīng)元之間的轉(zhuǎn)移概率

因?yàn)锳R模型中數(shù)據(jù)變化的低動態(tài)性，所以神經(jīng)元之間的轉(zhuǎn)移概率跟神經(jīng)元之間距離成反比。神經(jīng)元間轉(zhuǎn)移概率分布函數(shù)為：

式中，CI1，CI2∈｛C1，…，CN｝，I1＝（a1，b1），I2＝（a2，b2），又xt為正態(tài)分布，則xt的分布函數(shù)為：

其中：ρ（k）＝αk表示AR（1）模型的自相關(guān)函數(shù)［14］。考慮神經(jīng)元之間的漸變轉(zhuǎn)移，由式（3）、（5）將式（9）變換為：

如果知道了神經(jīng)元之間的轉(zhuǎn)移概率，并將神經(jīng)元之間的轉(zhuǎn)移概率基于時間序列的順序表示出來，這樣我們就可以得到一個單狀態(tài)量數(shù)據(jù)的轉(zhuǎn)移概率序列。

現(xiàn)用電機(jī)的負(fù)荷數(shù)據(jù)來進(jìn)行異常檢測作為例子來說明該方法，首先把一組電機(jī)正常工作的溫度數(shù)據(jù)帶入AR（1）模型進(jìn)行擬合，可以算得模型中參數(shù)α＝0.85，με＝0，λ＝0.01，然后將負(fù)荷數(shù)據(jù)輸入到SOM中訓(xùn)練，得到該電機(jī)負(fù)荷的SOM模型。截取其中一段電機(jī)工作的負(fù)荷數(shù)據(jù)作為異常檢測數(shù)據(jù)，如圖1所示。利用得到的SOM模型進(jìn)行量化后輸出得到圖2所示的電機(jī)負(fù)荷量化序列，利用擬合得到的AR模型的參數(shù)，計算SOM神經(jīng)元間的轉(zhuǎn)移概率，將負(fù)荷在時間軸上的序列轉(zhuǎn)化成負(fù)荷在時間序列中的轉(zhuǎn)移概率，如圖3所示。

由圖中的電機(jī)負(fù)荷轉(zhuǎn)移概率序列可知，電機(jī)正常工作時，轉(zhuǎn)移概率都比較高，這表明電機(jī)正常工作時溫度數(shù)據(jù)變化不大，表明電機(jī)的工況比較穩(wěn)定，電機(jī)工作正常。反之，當(dāng)序列中的一段數(shù)據(jù)很小，甚至為零時，表明神經(jīng)元隨后的變化較大，可能是電機(jī)出現(xiàn)了異常，導(dǎo)致負(fù)荷數(shù)據(jù)的變化不再符合建立的AR模型。

圖1 電機(jī)負(fù)載數(shù)據(jù)圖

圖2 電機(jī)負(fù)荷量化序列圖

圖3 負(fù)荷在時間序列中的轉(zhuǎn)移概率

2.3 多維狀態(tài)參量的綜合判定

在實(shí)際情況中，電機(jī)運(yùn)行出現(xiàn)異常時，雖然其中某個運(yùn)行參數(shù)的變化量可能過小，但是更多伴隨的是設(shè)備的多個運(yùn)行參數(shù)的異常。如果只是針對單一檢測狀態(tài)量進(jìn)行分析，可能導(dǎo)致對設(shè)備的異常出現(xiàn)誤判，因此對多個狀態(tài)量進(jìn)行綜合判定能有效的提高對異常判定的準(zhǔn)確率。

同時，設(shè)備在實(shí)際運(yùn)行時不僅在不同的工況下，設(shè)備的運(yùn)行參數(shù)會產(chǎn)生差異，而且設(shè)備的多種參數(shù)之間的相關(guān)性和對異常的敏感性難以確切的表示出來。如電機(jī)的功率與震動、噪聲、環(huán)境溫度等參數(shù)的關(guān)系，難以通過簡單的線性關(guān)系或者非線性關(guān)系算出［15］。這樣，從多個狀態(tài)參量出發(fā)的綜合判定遇到了困難。

在無先驗(yàn)知識的情況下，聚類分析技術(shù)是解決上述問題的首選。針對多維參量融合的問題，利用電機(jī)工作出現(xiàn)異常時會產(chǎn)生離群點(diǎn)［16］，本文通過基于密度的聚類算法對多維歷史檢測數(shù)據(jù)進(jìn)行聚類生成多個簇，然后去對需要監(jiān)測的數(shù)據(jù)進(jìn)行檢測是否與歷史數(shù)據(jù)屬于同一類。若歷史數(shù)據(jù)不屬于生成的簇類，說明該時刻數(shù)據(jù)發(fā)生了異常。利用這種算法，不僅能解決不同狀態(tài)參量對異常的敏感性不同和數(shù)據(jù)流過大的問題，還可以簡化多種狀態(tài)參量的相關(guān)性分析。

2.4 異常檢測的方法

根據(jù)分析和挖掘設(shè)備多個狀態(tài)參量的變化特征，并將多種狀態(tài)參量結(jié)合判定異常的步驟如圖4所示。

步驟1：針對設(shè)備正常運(yùn)行的狀態(tài)參量的歷史監(jiān)測數(shù)據(jù)，首先用AR模型來對數(shù)據(jù)進(jìn)行擬合，然后用SOM算法來訓(xùn)練得到SOM網(wǎng)絡(luò)模型，最后用擬合出來的AR模型，得到SOM神經(jīng)元之間的轉(zhuǎn)移概率矩陣。

圖4 設(shè)備異常檢測流程圖

步驟2：將設(shè)備的多維狀態(tài)參量用DBSCAN算法聚類，得到多個簇類。

步驟3：將檢測數(shù)據(jù)的狀態(tài)參量帶入轉(zhuǎn)移概率矩陣，可以進(jìn)行計算得到設(shè)備的多種狀態(tài)參量的時刻概率轉(zhuǎn)移序列。同時，判斷每個時刻點(diǎn)是否屬于之前生成的簇類。

步驟4：利用得到的轉(zhuǎn)移概率序列和聚類的結(jié)果，對設(shè)備的異常判定方法為：

1）如果各種在線監(jiān)測狀態(tài)參量的數(shù)據(jù)都聚到了之前生成的簇類中，那么就可以判斷該時間段沒有出現(xiàn)異常。

2）如果各種在線監(jiān)測狀態(tài)參量的數(shù)據(jù)僅有少數(shù)幾個時間點(diǎn)沒有聚到了之前生成的簇類中，那么可以判斷該時間段可能是數(shù)據(jù)異?；蛘邆鞲衅鳟惓?，并沒有出現(xiàn)異常。

3）如果各種在線監(jiān)測狀態(tài)參量的數(shù)據(jù)出現(xiàn)一段時間段沒有聚到了之前生成的簇類中，則可以判斷電機(jī)已經(jīng)處于異常。然后，再根據(jù)對應(yīng)時刻之前的在線監(jiān)測狀態(tài)參量的轉(zhuǎn)移概率序列來確定異常發(fā)生的點(diǎn)。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文的算法，我以安慶石化港貯部的電機(jī)運(yùn)行數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。該港貯部已實(shí)行了電能耗的智能化管理，通過傳感器和監(jiān)測儀器，可以將現(xiàn)場設(shè)備的運(yùn)行參數(shù)采集并傳送到監(jiān)測室，然后對設(shè)備的運(yùn)行數(shù)據(jù)進(jìn)行監(jiān)測和備份。本文利用2013年9月電機(jī)正常工作的狀態(tài)參量數(shù)據(jù)作為歷史數(shù)據(jù)，進(jìn)行樣本訓(xùn)練；然后，截取2013年10月中一天電機(jī)早上7點(diǎn)開機(jī)后連續(xù)工作的數(shù)據(jù)作為檢測數(shù)據(jù)，電機(jī)溫度、負(fù)荷、出口壓力的采樣周期都是min／組，如圖5所示。

首先用AR模型來對選擇的樣本數(shù)據(jù)進(jìn)行擬合，用SOM算法來訓(xùn)練得到SOM網(wǎng)絡(luò)模型，然后用擬合出來的AR模型，得到電機(jī)溫度、負(fù)荷、出口壓力的轉(zhuǎn)移概率矩陣，最后將圖5所示的檢測數(shù)據(jù)帶入轉(zhuǎn)移概率矩陣，分別得到負(fù)荷、電機(jī)溫度、出口壓力的轉(zhuǎn)移概率序列，并進(jìn)行聚類，結(jié)果如圖6、7、8、9所示。

從上圖中可以進(jìn)行對截取的檢驗(yàn)樣本數(shù)據(jù)進(jìn)行判斷：

1）在時間t＝85（對應(yīng)時間8：25）和t＝350（對應(yīng)時間12：50）左右時，電機(jī)溫度、負(fù)荷、出口壓力的聚類結(jié)果出現(xiàn)0值，這說明該時刻電機(jī)的狀態(tài)參量不屬于得到的任何一個簇類，但是該0值只是在幾個時刻短暫的出現(xiàn)，判斷該時間段可能是數(shù)據(jù)異常或者傳感器異常，并沒有出現(xiàn)異常。

圖5 電機(jī)的檢測數(shù)據(jù)圖

圖6 負(fù)荷轉(zhuǎn)移概率圖

圖7 溫度轉(zhuǎn)移概率圖

圖8 出口壓力轉(zhuǎn)移概率圖

2）在時間t＝580（對應(yīng)時間16：40）左右時，電機(jī)出現(xiàn)一段時間的0值，之后出現(xiàn)短暫的1值后保持0值，這說明電機(jī)已經(jīng)處于異常狀態(tài)。然后查看狀態(tài)量序列，其中電機(jī)負(fù)載轉(zhuǎn)移概率在t＝460和電機(jī)溫度轉(zhuǎn)移概率在t＝470分別出現(xiàn)了0值，之后又多次出現(xiàn)0值，因此可以判斷電機(jī)在t＝460時發(fā)生了異常。

如直接采用閾值判斷，根據(jù)經(jīng)驗(yàn)通常選擇正常工作數(shù)據(jù)的1.2倍。用該方法判斷：在t＝110（對應(yīng)時間8：50）和t＝480（對應(yīng)時間14：00）之后出現(xiàn)異常。

如單獨(dú)采用聚類方法判斷，如采用DBSCAN聚類算法對電機(jī)進(jìn)行檢測時：在t＝90（對應(yīng)時間8：30）、t＝350（對應(yīng)時間8：30）和t＝570（對應(yīng)時間8：30）之后出現(xiàn)離群點(diǎn)，判斷在t＝90和t＝350時，可能為數(shù)據(jù)或者傳感器的異常，在t＝570時刻出現(xiàn)異常。

如采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方式，選用常用的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到結(jié)果：在t＝480（對應(yīng)時間14：00）、和t＝520（對應(yīng)時間14：40）之后多次出現(xiàn)異常。

查閱當(dāng)天該電機(jī)的運(yùn)行記錄顯示：在8：20時，操作員為了應(yīng)客戶時間要求，調(diào)大了泵的閥門開度，加大傳輸速度；在10：00時將開度調(diào)回至正常；在14：00時發(fā)現(xiàn)電機(jī)轉(zhuǎn)軸出現(xiàn)輕微卡軸，整理可得表1。

表1 異常檢測結(jié)果對比

對比發(fā)現(xiàn)，該本文的方法對于電機(jī)的異常檢測更準(zhǔn)確、更及時。

之后，在安慶石化港貯部2014年－2015年的電機(jī)運(yùn)行數(shù)據(jù)中截取100段，利用不同的方法來進(jìn)行異常檢測，其中誤報率為檢測結(jié)果中存在檢測錯誤的百分比，滯后率以滯后400分鐘為基準(zhǔn)進(jìn)行整理可得到表2。

表2 不同方法異常檢測結(jié)果對比 %_

該表表明，相比于閾值判斷法、BP神經(jīng)網(wǎng)絡(luò)和單一的聚類的方法，本方法能對用電設(shè)備進(jìn)行更加有效的異常檢測，能減少誤判和對異常發(fā)現(xiàn)的滯后性。

4 結(jié)論

該方法基于時間序列結(jié)合多維參數(shù)特征挖掘數(shù)據(jù)變化特征，利用聚類方法提高對電機(jī)異常檢測的準(zhǔn)確率，同時利用分析數(shù)據(jù)的變化特征來減少診斷結(jié)果的滯后性。

同時，本方法也有不足之處，當(dāng)選取的多維參數(shù)特征受外界影響特別大時，DBSCAN聚類的算法聚類比較麻煩，因而容易出現(xiàn)對異常的誤報，因此在今后的工作中需要進(jìn)行改進(jìn)。

［1］高賈超.基于人工免疫算法的電機(jī)故障診斷系統(tǒng)研究［D］.武漢：武漢理工大學(xué)，2010.

［2］蓋詩橋.時間序列挖掘系統(tǒng)中變化檢測算法的研究［D］.長春：吉林大學(xué)，2012.

［3］史尚哲.基于隱馬爾科夫模型的異常檢測［D］.揚(yáng)州：揚(yáng)州大學(xué)，2012.

［4］付迎丁.基于聚類技術(shù)的異常檢測研究［D］.鄭州：解放軍信息工程大學(xué)，2012.

［5］龔學(xué)兵，王日新，徐敏強(qiáng).基于數(shù)據(jù)關(guān)聯(lián)性分析的飛輪異常檢測［J］.航空學(xué)報，2015，36（3）：898－906.

［6］董曉萌，羅鳳娟，郭滿才，等.時間序列的自回歸模型在楊凌地區(qū)降水量預(yù)報中的應(yīng)用 ［J］.中國農(nóng)學(xué)通報，2007，23（11）：403 －407.

［7］劉井波.基于自組織神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程故障診斷技術(shù)研究［D］.成都：電子科技大學(xué)，2008.

［8］閆慶華，程兆剛，段云龍.AR模型功率譜估計及Matlab實(shí)現(xiàn)［J］.計算機(jī)與數(shù)字工程，2010，38（4）：154－156.

［9］馮少榮，肖文俊.DBSCAN聚類算法的研究與改進(jìn)［J］.中國礦業(yè)大學(xué)學(xué)報，2008，37（1）：105－111.

［10］高 潔.基于時間序列理論方法的生物序列特征分析［D］.無錫：江南大學(xué)，2009.

［11］于鷃.基于一維SOM神經(jīng)網(wǎng)絡(luò)的聚類及數(shù)據(jù)分析方法研究［D］.天津：天津大學(xué)，2009.

［12］宋飛燕.基于密度聚類算法及其模式評估方法的研究與實(shí)現(xiàn)［D］.包頭：內(nèi)蒙古科技大學(xué)，2007.

［13］嚴(yán)英杰，盛戈皞，陳玉峰，等.基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測方法［J］.中國電機(jī)工程學(xué)報，2015，35（1）：52 －59.

［14］程 浩，劉國慶，成孝剛.一種分段平穩(wěn)隨機(jī)過程自相關(guān)函數(shù)逼近模型［J］.計算機(jī)應(yīng)用，2012，32（02）：589－591.

［15］Shumway－Cook A，Woollacott MH.Motor control：theory and practical applications［M］.Williams＆ Wilkins.

［16］李 棟，劉樹林，劉穎慧，等.基于自適應(yīng)超環(huán)檢測器的設(shè)備異常度檢測方法［J］.機(jī)械工程學(xué)報，2014，50（12）：17－24.

Anomaly Detection of Electric Machine Based on Multi－dimension State Parameter and Time Series

Xu Shoukun ，Qu Shiqi，Shi Lin，Wang Bin

（College of Information Science and Engineering，Changzhou University，Changzhou 213000，China）

In view of the traditional abnormal detection of the motor often appear the case of miscarriage of justice or lag，this paper using AR fitting and SOM neural network unsupervised way to quantify the motor data based on the time series of the motor single state parameters.Then，the transition probability of the sequence is obtained by combining the quantitative sequence with the AR curve，and the abnormal changes of some state parameters are discovered as soon as possible.After that，DBSCAN algorithm mining multi－dimensional parameters of the relationship between the characteristics of the motor to determine whether there is abnormal.Finally，the detection process of the method is illustrated with an example，and the advantages of this method are verified by comparison.

anomaly detection；time series；AR fitting；SOM neural network；DBSCAN algorithm

1671-4598（2016）08-0032-04

10.16526／j.cnki.11－4762／tp.2016.08.009

：TP391

：A

2016-02-24；

：2016-03-08。

江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新基金（BY2013024－06）；江蘇省產(chǎn)學(xué)研聯(lián)合創(chuàng)新基金（BY2013024－03）。

徐守坤（1972-），男，山東省人，教授，碩士研究生導(dǎo)師，主要從事數(shù)據(jù)庫和信息系統(tǒng)方向的研究。