基于特征分布對齊與多傳感器融合的水泵異常檢測方法

摘要：水泵是供水系統(tǒng)的重要加壓設(shè)備，對其進(jìn)行異常檢測并及時(shí)發(fā)現(xiàn)運(yùn)行異常，對保障供水安全具有重要意義。針對現(xiàn)有人工智能方法在水泵異常檢測中存在的異常樣本獲取困難、檢測精度低等問題，提出一種基于特征分布對齊與多傳感器融合的水泵異常檢測方法。該方法以多通道傳感信號的對數(shù)梅爾譜為輸入；利用卷積自編碼網(wǎng)絡(luò)來融合多傳感器信息；以最小化信號重構(gòu)損失和特征分布損失為目標(biāo)，訓(xùn)練卷積自編碼網(wǎng)絡(luò)；基于重構(gòu)損失計(jì)算樣本的異常分?jǐn)?shù)，實(shí)現(xiàn)水泵的異常檢測。實(shí)驗(yàn)結(jié)果表明，該方法有效提高了水泵異常檢測的性能。

關(guān)鍵詞：水泵異常檢測；數(shù)據(jù)重構(gòu)；特征分布對齊；多傳感器融合

中圖分類號：TP311.5 """"""""""文獻(xiàn)標(biāo)志碼：A """""""""文章編號：1674-2605（2025）01-0005-06

DOI：10.3969/j.issn.1674-2605.2025.01.005""""""""""""""""""""開放獲取

Water"Pump Anomaly Detection Method Based on Feature Distribution Alignment and Multi-sensor Fusion

LIN Zhaohui LIAO"Yixiao ZHAO Zhiming WAN Zhiyong ZHOU"Songbin

（1.Shimen Waterworks， Guangzhou Water Supply Co.，"Ltd.， Guangzhou 510000， China

2.Institute of Intelligent Manufacturing， Guangdong Academy of Sciences， Guangzhou 510070， China）

Abstract："The water pump is an important pressurization device in the water supply system. Conducting anomaly detection and timely detection of operational abnormalities is of great significance for ensuring water supply safety. A water pump anomaly detection method based on feature distribution alignment and multi-sensor fusion is proposed to address the problems of difficulty in obtaining anomaly samples and low detection accuracy in existing artificial intelligence methods for water pump anomaly detection. This method takes the logarithmic Mel spectrum of multi-channel sensing signals as input; Using convolutional autoencoder networks to fuse multi-sensor information; Train a convolutional autoencoder network with the goal of minimizing signal reconstruction loss and feature distribution loss; Calculate the anomaly score of samples based on reconstruction loss to achieve anomaly detection of water pumps. The experimental results show that this method effectively improves the performance of water pump anomaly detection.

Keywords："anomaly"detection of water pump; data reconstruction; feature distribution alignment; multi-sensor fusion

0 "引言

水泵是供水系統(tǒng)的核心設(shè)備，其非計(jì)劃停機(jī)不僅會(huì)給水廠造成經(jīng)濟(jì)損失，還會(huì)影響人們的日常生活和工業(yè)生產(chǎn)秩序^[1-2]。通過對水泵進(jìn)行異常檢測和故障診斷，可降低因設(shè)備故障而引發(fā)的非計(jì)劃停機(jī)頻率，提高水廠的運(yùn)維效率，保障供水安全^[3]。

近年來，隨著人工智能技術(shù)的發(fā)展，學(xué)者們針對水泵的異常檢測和故障診斷開展了大量的研究工作^[4]。文獻(xiàn)[5]通過稀疏自編碼網(wǎng)絡(luò)重構(gòu)輸入信號，利用重構(gòu)信號與原始信號的殘差對水泵進(jìn)行異常檢測，可有效識別水泵的早期異常。文獻(xiàn)[6]利用振動(dòng)信號頻譜和振動(dòng)時(shí)域特征來檢測水泵軸承的異常，實(shí)現(xiàn)水泵的實(shí)時(shí)健康監(jiān)測。文獻(xiàn)[7]提出基于自校準(zhǔn)注意力機(jī)制和分布邊緣預(yù)測策略的故障診斷方法，在小樣本場景下實(shí)現(xiàn)了水泵的故障診斷。文獻(xiàn)[8]針對小樣本下的水泵故障診斷，提出基于深度遷移卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的故障診斷方法，可有效識別水泵的異常狀態(tài)。文獻(xiàn)[9]提出基于小波相關(guān)分析和卷積神經(jīng)網(wǎng)絡(luò)的離心泵故障診斷方法，提高了離心泵故障的識別精度。文獻(xiàn)[10]提出改進(jìn)的辛幾何重構(gòu)數(shù)據(jù)增強(qiáng)方法，用于水泵的故障診斷，提高了故障診斷模型的精度和收斂速度。上述方法大多需要異常樣本參與模型訓(xùn)練，但在實(shí)際工業(yè)場景中，難以獲得大量的異常樣本，無法滿足模型高精度訓(xùn)練的需求。另外，基于信號重構(gòu)的異常檢測方法雖然不需要異常樣本參與模型訓(xùn)練，但未充分考慮隱藏層特征分布與多傳感器融合，限制了異常檢測的性能。

針對以上問題，本文提出一種基于特征分布對齊與多傳感器融合的水泵異常檢測方法（以下簡稱水泵異常檢測方法）。該方法以多通道傳感信號的對數(shù)梅爾譜為輸入；利用卷積自編碼網(wǎng)絡(luò)來融合多傳感器信息；以最小化信號重構(gòu)損失和特征分布損失為目標(biāo)，訓(xùn)練卷積自編碼網(wǎng)絡(luò)；基于重構(gòu)損失計(jì)算樣本的異常分?jǐn)?shù)，實(shí)現(xiàn)水泵的異常檢測。

1 "水泵異常檢測方法

水泵異常檢測方法以多通道傳感信號的對數(shù)梅爾譜為異常檢測模型的輸入，并針對模型的輸入特征，構(gòu)建卷積自編碼網(wǎng)絡(luò)來融合多傳感器信息，原理如圖1所示。

異常檢測模型的輸入為多通道的二維數(shù)據(jù)，編碼器網(wǎng)絡(luò)由多個(gè)二維卷積層和二維池化層堆疊而成，解碼器網(wǎng)絡(luò)由多個(gè)二維反卷積層和二維反池化層堆疊而成。利用最小化輸入多通道傳感信號的對數(shù)梅爾譜和卷積自編碼網(wǎng)絡(luò)輸出的重構(gòu)對數(shù)梅爾譜之間的重構(gòu)損失，以及編碼器網(wǎng)絡(luò)倒數(shù)第2層輸出特征及其重構(gòu)特征之間的特征分布損失，訓(xùn)練異常檢測模型。

由于異常樣本不參與模型訓(xùn)練，訓(xùn)練后的異常檢測模型僅對正常樣本具有良好的重構(gòu)能力，無法有效重構(gòu)異常樣本與正常樣本之間的差異特征。因此，在異常檢測模型訓(xùn)練完成后，通過輸入和重構(gòu)之間的均方誤差來實(shí)現(xiàn)水泵的異常檢測。

1.1 "對數(shù)梅爾譜

1.2""卷積自編碼網(wǎng)絡(luò)

1.3""特征分布對齊

1.4""水泵異常檢測方法流程

1.4.1 "模型訓(xùn)練流程

1） 對正常和異常樣本進(jìn)行分割和去直流預(yù)處理，獲取對數(shù)梅爾譜樣本，并對該樣本進(jìn)行標(biāo)注；

2） 將部分正常樣本劃分為訓(xùn)練數(shù)據(jù)集，用于異常檢測模型的訓(xùn)練，剩余的正常樣本與異常樣本組成測試數(shù)據(jù)集，用于異常檢測模型的測試；

3） 從訓(xùn)練數(shù)據(jù)集中選取一批次的訓(xùn)練數(shù)據(jù)，通過前向傳播計(jì)算該批次數(shù)據(jù)的損失值，并利用梯度下降法反向傳播損失值訓(xùn)練卷積自編碼網(wǎng)絡(luò)；

4） 重復(fù)步驟2），以遍歷整個(gè)訓(xùn)練數(shù)據(jù)集；

5） 重復(fù)步驟2）、3），直至迭代次數(shù)達(dá)到設(shè)定值，獲得最終的異常檢測模型。

1.4.2 "模型測試流程

2""實(shí)驗(yàn)設(shè)置

本實(shí)驗(yàn)采用公開數(shù)據(jù)集MIMII^[15]中的水泵數(shù)據(jù)集對本文方法進(jìn)行驗(yàn)證。該數(shù)據(jù)集包含4臺(tái)水泵（編號分別為00、02、04、06）運(yùn)行狀態(tài)的聲音數(shù)據(jù)。每個(gè)聲音數(shù)據(jù)樣本包含8通道聲音信號，采樣頻率為16"kHz，樣本長度為10"s。水泵數(shù)據(jù)集的具體描述如表1所示。

2.1 "數(shù)據(jù)集劃分與預(yù)處理

將水泵數(shù)據(jù)集劃分為訓(xùn)練集和測試集，劃分詳情如表2所示。

實(shí)驗(yàn)中，將水泵的原始聲音信號轉(zhuǎn)換為對數(shù)梅爾譜，設(shè)置傅里葉變換的窗口長度為2"048個(gè)樣本點(diǎn)，滑動(dòng)窗口的步長為1"580個(gè)樣本點(diǎn)，梅爾特征維度為128。對對數(shù)梅爾譜進(jìn)行逐通道的最大-最小歸一化，得到異常檢測模型的輸入維度為8×128×100。

2.2""網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

本文采用的卷積自編碼網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表3所示。

除最后一個(gè)二維反卷積層ConvT2D（64， 8， （9， 9））采用線性激活函數(shù)外，其他卷積層均采用Leaky_"ReLU激活函數(shù)。

2.3""評價(jià)指標(biāo)

本實(shí)驗(yàn)采用ROC曲線下與坐標(biāo)軸圍成的面積（area under curve， AUC）、精確度（precision）、召回率（recall）、F1分?jǐn)?shù)（F1-score）作為異常檢測模型的性能評價(jià)指標(biāo)。

本實(shí)驗(yàn)采用DCASE2020比賽提出的閾值確定方法對訓(xùn)練樣本的異常分?jǐn)?shù)進(jìn)行分布統(tǒng)計(jì)，取最佳分布的90%分位點(diǎn)對應(yīng)的數(shù)值作為異常閾值。基于此閾值判定樣本為正?；虍惓?，并結(jié)合樣本實(shí)際標(biāo)簽計(jì)算精確度、召回率、F1分?jǐn)?shù)等評價(jià)指標(biāo)。

3""實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文方法的有效性，與文獻(xiàn)[16]方法（DAE）進(jìn)行對比實(shí)驗(yàn)，結(jié)果如表4～7所示。

4""結(jié)論

本文針對水泵異常檢測存在的異常樣本獲取困難、檢測精度低等問題，提出了一種基于特征分布對齊與多傳感器融合的水泵異常檢測方法。經(jīng)實(shí)驗(yàn)驗(yàn)證，本文方法通過特征分布對齊與多傳感器融合，有效提高了水泵異常檢測的性能。該方法的主要貢獻(xiàn)如下：

1） 異常檢測模型在訓(xùn)練過程中，僅需要正常樣本參與訓(xùn)練，無需異常樣本參與訓(xùn)練，降低了訓(xùn)練數(shù)據(jù)獲取難度，有利于模型在實(shí)際工業(yè)現(xiàn)場的推廣應(yīng)用；

2） 融合多傳感器信息，全面獲取水泵的健康狀態(tài)信號，提高了異常檢測模型的檢測能力；

3） 結(jié)合隱藏層特征分布對齊策略，使卷積自編碼網(wǎng)絡(luò)能更好地重構(gòu)正常樣本，增大正常、異常樣本的判定邊界。未來可以結(jié)合遷移學(xué)習(xí)開展水泵異常檢測研究，利用現(xiàn)有的水泵數(shù)據(jù)和異常檢測模型，在僅采集少量或不采集水泵正常樣本的情況下，構(gòu)建目標(biāo)水泵的異常檢測模型，以提高異常檢測精度。

?The author（s） 2024. This is an open access article under the CC BY-NC-ND 4.0 License （https：//creativecommons.org/licenses/ by-nc-nd/4.0/）

參考文獻(xiàn)

[1] 顧祖坤.基于無線傳感網(wǎng)絡(luò)的水泵振動(dòng)狀態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)[D].江蘇：江蘇大學(xué)，2018.

[2] 劉煜輝，高艷強(qiáng).多傳感器融合的工業(yè)生產(chǎn)線故障預(yù)警技術(shù) [J].自動(dòng)化與信息工程，2024，45（2）：41-44.

[3] 鄭日暉，岑健，陳志豪，等.基于EMD樣本熵與改進(jìn)DS證據(jù)理論的故障診斷方法[J].自動(dòng)化與信息工程，2020，41（2）：19-26.

[4] 范國棟，李博涵.基于機(jī)器學(xué)習(xí)的工業(yè)機(jī)械設(shè)備故障預(yù)測方法[J].自動(dòng)化與信息工程，2023，44（4）：13-18;50.

[5] LIANG X， DUAN F， BENNETT I， et al. A sparse autoencoder-based unsupervised scheme for pump fault detection and isolation[J]. Applied Sciences， 2020，10（19）：6789.

[6] 舒相挺，楊璋，徐逸哲，等.某循環(huán)海水泵振動(dòng)故障診斷與趨勢分析[J].振動(dòng).測試與診斷，2022，42（4）：791-796;831.

[7] ZOU F， SANG S， JIANG M， et al. A few-shot sample augmentation algorithm based on SCAM and DEPS for pump fault diagnosis[J]. ISA Transactions， 2023，142：445-453.

[8] 吳佳，李明宸，唐文妍.基于DTCNN-SVM的工業(yè)循環(huán)水系統(tǒng)供水泵故障診斷[J].振動(dòng)與沖擊，2023，42（13）：226-234.

[9] ULLAH N， AHMAD Z， SIDDIQUE M F， et al. An intelligent framework for fault diagnosis of centrifugal pump leveraging wavelet coherence analysis and deep learning[J]. Sensors， 2023，23（21）：8850.

[10] LIU S， YIN J， HAO M， et al. Fault diagnosis study of hydraulic pump based on improved symplectic"geometry reconstruction data enhancement method[J]. Advanced Engineering Infor-matics， 2024，61：102459.

[11]"DENG J， CUMMINS N， HAN J， et al. The university of Passau open emotion recognition system for the multimodal emotion challenge[C]//Pattern Recognition： 7th Chinese Conference， CCPR 2016， Chengdu， China， November 5-7， 2016， Proceed-ings， Part II 7. Springer Singapore， 2016： 652-666.

[12] MAO X， SHEN C， YANG Y B. Image restoration using very deep convolutional encoder-decoder networks with symmetric skip connections[J]. Advances in Neural Information Processi-ng Systems， 2016，29：1-9.

[13]"MüLLER A. Integral probability metrics and their generating classes of functions[J]. Advances in Applied Probability， 1997， 29（2）：429-443.

[14] GRETTON A， BORGWARDT K， RASCH M， et al. A kernel method for the two-sample-problem[J]. Advances in Neural Information Processing Systems， 2006，19：1-43.

[15] PUROHIT H， TANABE R， ICHIGE K， et al. MIMII Dataset： Sound dataset for malfunctioning industrial machine investi-gation and inspection[C]. Proceedings of the Detection and Classification of Acoustic Scenes and Events 2019 Workshop （DCASE2019）， 2019：209-213.

[16]"DONG Yul Oh， Il DONG Yun."Residual error based anomaly detection using auto-encoder in SMD machine sound[J]. Sen-sors， 2018，18（5）：1-14.

作者簡介：

林朝暉，男，1968年生，碩士研究生，高級工程師，主要研究方向：水處理技術(shù)。E-mail："feyln@139.com

廖奕校，男，1992年生，博士研究生，主要研究方向：智能傳感與檢測。E-mail："yx.liao@giim.ac.cn

招智銘（通信作者），男，1995年生，本科，工程師，主要研究方向：電氣自動(dòng)化技術(shù)。E-mail："960716032@qq.com

萬智勇，男，1996年生，碩士研究生，助理工程師，主要研究方向：智能傳感與檢測。E-mail："zy.wan@giim.ac.cn

周松斌，男，1978 年生，博士研究生，研究員，主要研究方向：智能傳感與檢測。E-mail： sb.zhou@giim.ac.cn