针对旋转电机异常检测问题,提出了一种基于卷积自编码器(Convolutional Autoencoder,CAE)和单分类支持向量机(One Class SVM,OC-SVM)的异常检测方法。首先使用旋转电机正常运行时的电流数据进行无监督的CAE训练,自适应地提取特征;然后...针对旋转电机异常检测问题,提出了一种基于卷积自编码器(Convolutional Autoencoder,CAE)和单分类支持向量机(One Class SVM,OC-SVM)的异常检测方法。首先使用旋转电机正常运行时的电流数据进行无监督的CAE训练,自适应地提取特征;然后使用该特征训练OC-SVM;最后结合二者对新的样本进行异常检测。实验结果表明,对比基于时域特征结合OC-SVM和基于CAE特征结合K-means聚类的异常检测算法,所提方法的误检率和漏检率均有降低,最少降低了43%,最多降低了74%,证明了所提方法的有效性。展开更多
文摘针对旋转电机异常检测问题,提出了一种基于卷积自编码器(Convolutional Autoencoder,CAE)和单分类支持向量机(One Class SVM,OC-SVM)的异常检测方法。首先使用旋转电机正常运行时的电流数据进行无监督的CAE训练,自适应地提取特征;然后使用该特征训练OC-SVM;最后结合二者对新的样本进行异常检测。实验结果表明,对比基于时域特征结合OC-SVM和基于CAE特征结合K-means聚类的异常检测算法,所提方法的误检率和漏检率均有降低,最少降低了43%,最多降低了74%,证明了所提方法的有效性。