本发明涉及异常检测，具体为一种基于深度学习的振动筛异常检测方法及系统。
背景技术：
1、随着人工智能技术的快速发展，人工智能技术被引入设备管理系统，以降低生产线的故障停机时间，提高生产效率。
2、目前，一些企业引入深度学习模型，利用大量的异常数据训练模型，利用模型检测振动筛的异常，然而，由于振动筛在运行过程中存在出现突发情况的可能，现有技术难以针对各种异常情况都收集到足够的数据，导致无法准确分析各影响因子对振动筛运行参数的影响，异常检测及预测值出现偏差，系统准确性较低，而且，在检测到振动筛运行异常时，现有技术大多凭借维修人员的经验分析振动筛的异常原因，往往需要大量时间才能确定振动筛的异常原因，导致系统准确性较低，效率较低，因此，设计准确性高和效率高的一种基于深度学习的振动筛异常检测方法及系统是很有必要的。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的振动筛异常检测方法及系统，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的振动筛异常检测系统，包括数据采集模块、异常检测模块和异常告警模块，所述数据采集模块用于收集设备的综合使用数据，实时收集设备的的实时运行参数，将设备的历史检测数据录入系统，所述异常检测模块用于处理并分析设备的历史检测数据，利用处理后的数据作为训练数据训练异常检测模型，分析异常检测模型的准确度，分析影响因子对预测结果的影响，根据分析结果对预测结果进行修正，分析异常参数特征，根据分析结果判断设备的故障原因，所述异常告警模块用于在设备出现异常时发出告警，通知维护人员进行维修，所述数据采集模块、异常检测模块和异常告警模块相互电连接；
3、所述模型训练模块包括数据处理子模块和特征修正子模块，所述数据处理子模块用于对样本数据进行预处理，所述特征修正子模块用于分析样本数据的特征，根据分析结果对样本数据进行融合，利用融合后的样本数据作为训练数据训练异常检测模型；
4、所诉异常分析模块包括预测修正子模块、参数分析子模块和设备状态分析子模块，所述预测修正子模块用于分析异常检测模型预测结果的准确度，分析设备运行过程中各影响因子对设备运行状态的影响，根据分析结果对预测结果进行修正，所述参数分析子模块用于分析设备异常参数，根据异常参数特征对异常参数进行分类，所述设备状态分析子模块用于针对分类后的异常参数进行进一步分析，根据分析结果确定设备的异常原因。
5、根据上述技术方案，所述数据采集模块包括数据收集模块、传感器模块和历史检测数据录入模块，所述数据收集模块用于收集设备的综合使用数据，所述传感器模块用于实时收集设备的运行参数，所述历史检测数据录入模块用于将设备的历史检测数据录入系统。
6、根据上述技术方案，所述异常检测模块包括模型训练模块，所诉模型训练模块用于对样本数据进行预处理，分析样本数据的特征，根据分析结果对样本数据进行融合，利用融合后的样本数据作为训练数据训练异常检测模型。
7、根据上述技术方案，所述异常检测模块还包括异常分析模块，所述异常分析模块用于分析异常检测模型预测结果的准确度，分析设备运行过程中各影响因子对设备运行状态的影响，根据分析结果对预测结果进行修正，分析设备异常参数，根据分析结果确定设备的异常原因。
8、根据上述技术方案，所述异常告警模块包括告警模块和维护模块，所述告警模块用于在检测到设备出现异常时，发出告警通知管理员，所述维护模块用于分配维护人员对设备进行维护。
9、根据上述技术方案，所述振动筛异常检测方法主要包括以下步骤：
10、步骤s1：通过数据收集模块，收集设备的综合使用数据，通过传感器模块，实时收集设备的运行参数，通过历史检测数据录入模块，将设备的历史检测数据录入系统；
11、步骤s2：在数据录入系统后，系统启动模型训练模块，开始对样本数据进行处理，分析样本数据的数据特征，根据分析结果对样本数据特征进行修正，利用修正后的样本数据训练异常检测模型；
12、步骤s3：在模型训练完成后，系统启动异常分析模块，开始分析异常检测模型的准确性，分析各影响因子对预测结果的影响，根据分析结果对预测结果进行修正，进一步分析异常参数特征，根据分析结果判断设备的异常原因；
13、步骤s4：在设备出现异常时，系统分析设备的异常程度，根据分析结果分配维护人员对设备进行维护。
14、根据上述技术方案，所述步骤s2进一步包括以下步骤：
15、步骤s21：获取设备的历史检测数据，将设备的历史检测数据作为样本数据，并进行预处理，预处理包括识别样本数据中的冗余、残缺数据，并进行删除；
16、步骤s22：获取处理后的样本数据，识别样本数据的时间戳，根据样本数据时间戳对数据进行分类，根据分类后的样本数据顺位进行排序标号，识别各样本数据的样本数据特征，将样本数据及样本数据特征进行对比，当第一样本数据与第二样本数据的相似度大于阈值时，若第一样本数据特征与第二样本数据特征相似度也大于阈值，则将第二样本数据删除，反之则将数据特征进行融合；
17、步骤s23：当第一样本数据与第二样本数据的相似度小于阈值时，若第一样本数据特征与第二样本数据特征相似度大于阈值，则将第一样本数据与第二样本数据进行融合，反之则系统继续检测，调取数据库中的模型算法，将融合后的样本数据作为训练数据集，利用训练数据集训练异常检查模型。
18、根据上述技术方案，所述步骤s3进一步包括以下步骤：
19、步骤s31：获取预测模型预测的设备运行参数，识别预测的运行参数的时间戳，根据预测的运行参数的时间戳调取数据库中对应的实时数据，通过公式计算模型预测参数的准确度式中，i＝1,2,3......n，q表示模型预测参数的准确度，yi表示设备实际的运行参数，ki表示预测模型预测的设备运行参数，若预测模型的准确度小于阈值，则标记预测模型需要修正，反之则系统继续检测；
20、步骤s32：获取设备的历史维护数据，识别设备的异常频率，根据设备的异常频率调取数据库中对应的对预测模型预测的设备运行参数的影响系数α，获取设备易磨损零部件编码，根据编码调取数据库中对应易磨损零部件的易磨损系数和使用时间，根据易磨损系数和使用时间，分别调取数据库中对应的使用时间对预测模型预测的设备运行参数的影响系数β即影响系数β的影响权重φ；
21、步骤s33：识别预测模型中的标记，若预测模型中存在需要修正标记，则通过公式计算修正后的预测模型预测的设备运行参数p＝(β×φ)·α·ki，式中，p表示修正后的预测模型预测的设备运行参数。
22、根据上述技术方案，所述步骤s33进一步包括以下步骤：
23、步骤s331：获取预测的设备运行参数，识别设备的振幅，对比数据库，当设备运行振幅与数据库中的标准值不相符时，则识别设备运行参数的其他特征，对比数据库，若设备运行参数的其他特征与数据库中的阈值相符，则标记为设备的筛网故障，反之则识别异常参数，调取数据库中的异常影响关系图谱，根据异常参数识别图谱中异常参数对振幅的影响关系，若存在影响关系，则根据异常参数调取数据库中对应的故障位置，反之则系统标记为筛网故障；
24、步骤s332：识别振动筛四角的振动位移值及对应的时间戳，建立坐标系，在坐标系中分别标记振动筛四角位移值的坐标，依次连接个坐标点构建振动筛各角的位移图，将振动筛各角的位移图进行重叠对比，识别并标记无法重叠的部分，识别振动筛各角位移图中的标记，当位移图中存在标记，则识别振动筛该角的弹簧压缩模量，若压缩模量与其他角的弹簧压缩模量不同，则标记该角弹簧出现故障，反之则系统继续检测。
25、根据上述技术方案，所述步骤s4中识别振动筛各零部件中的标记，当零部件中存在标记时，则识别标记中的异常程度，根据异常程度调取数据库中对应的对设备的影响值，若影响值大于阈值，则系统发出告警，通知技术人员进行维护，反之则系统继续检测。
26、与现有技术相比，本发明所达到的有益效果是：本发明，通过分析各样本数据及样本数据特征之间的相似度，并将样本数据及样本数据特征进行融合，能够使融合后的样本数据更加完整，进而减小模型的误差，大大提高系统的准确性，通过分析预测模型的准确度，并对预测模型进行修正，能够避免预测的设备运行参数误差较大，导致系统出现误报漏报，进一步提高了系统的准确性，通过分析设备的异常频率和易磨损零部件的易磨损程度及使用时间，能够避免设备突发性异常，导致预测模型的预测结果偏差较大，进而大大提高了系统的准确性，通过识别异常参数之间的影响关系，能够准确判断设备异常原因，避免系统出现误判错判，分析振动筛各角的位移值，能够进一步分析振动筛网的振动是否同步，进而确定出现故障的位置，减少人工检测时间，大大提高了系统的检测效率。
1.一种基于深度学习的振动筛异常检测系统，包括数据采集模块、异常检测模块和异常告警模块，其特征在于：所述数据采集模块用于收集设备的综合使用数据，实时收集设备的的实时运行参数，将设备的历史检测数据录入系统，所述异常检测模块用于处理并分析设备的历史检测数据，利用处理后的数据作为训练数据训练异常检测模型，分析异常检测模型的准确度，分析影响因子对预测结果的影响，根据分析结果对预测结果进行修正，分析异常参数特征，根据分析结果判断设备的故障原因，所述异常告警模块用于在设备出现异常时发出告警，通知维护人员进行维修，所述数据采集模块、异常检测模块和异常告警模块相互电连接；
2.根据权利要求1所述的一种基于深度学习的振动筛异常检测系统，其特征在于：所述数据采集模块包括数据收集模块、传感器模块和历史检测数据录入模块，所述数据收集模块用于收集设备的综合使用数据，所述传感器模块用于实时收集设备的运行参数，所述历史检测数据录入模块用于将设备的历史检测数据录入系统。
3.根据权利要求2所述的一种基于深度学习的振动筛异常检测系统，其特征在于：所述异常检测模块包括模型训练模块，所诉模型训练模块用于对样本数据进行预处理，分析样本数据的特征，根据分析结果对样本数据进行融合，利用融合后的样本数据作为训练数据训练异常检测模型。
4.根据权利要求3所述的一种基于深度学习的振动筛异常检测系统，其特征在于：所述异常检测模块还包括异常分析模块，所述异常分析模块用于分析异常检测模型预测结果的准确度，分析设备运行过程中各影响因子对设备运行状态的影响，根据分析结果对预测结果进行修正，分析设备异常参数，根据分析结果确定设备的异常原因。
5.根据权利要求4所述的一种基于深度学习的振动筛异常检测系统，其特征在于：所述异常告警模块包括告警模块和维护模块，所述告警模块用于在检测到设备出现异常时，发出告警通知管理员，所述维护模块用于分配维护人员对设备进行维护。
6.一种基于深度学习的振动筛异常检测方法，其特征在于：所述振动筛异常检测方法主要包括以下步骤：
7.根据权利要求6所述的一种基于深度学习的振动筛异常检测方法，其特征在于：所述步骤s2进一步包括以下步骤：
8.根据权利要求7所述的一种基于深度学习的振动筛异常检测方法，其特征在于：所述步骤s3进一步包括以下步骤：
9.根据权利要求8所述的一种基于深度学习的振动筛异常检测方法，其特征在于：所述步骤s33进一步包括以下步骤：
10.根据权利要求9所述的一种基于深度学习的振动筛异常检测方法，其特征在于：所述步骤s4中识别振动筛各零部件中的标记，当零部件中存在标记时，则识别标记中的异常程度，根据异常程度调取数据库中对应的对设备的影响值，若影响值大于阈值，则系统发出告警，通知技术人员进行维护，反之则系统继续检测。
