您怎么知道一臺機器是否在正常運行？問題的回答是：通過利用深度學習來檢測工業(yè)機器的常規(guī)振動數(shù)據(jù)中的異常情況。異常檢測有很多用途，而尤其在預測性維護中特別有用。

這個深度學習的例子講的是基于雙向長短期記憶網(wǎng)絡（biLSTM）的自動編碼器。雖然這個詞很拗口，但它僅表示訓練網(wǎng)絡來重構(gòu)“正?！睌?shù)據(jù)。這樣，當我們給算法提供一些看起來不同的數(shù)據(jù)時，重構(gòu)錯誤會提示您機器可能需要維護。當您所擁有的數(shù)據(jù)均為“正?！睌?shù)據(jù)時，自動編碼器不失是一個很好的嘗試方法。

數(shù)據(jù)集有兩部分：維護前的數(shù)據(jù)和維護后的數(shù)據(jù)。從邏輯上講，我們可以假定維護后的數(shù)據(jù)是“正?！钡模ó斘覀冇幸粋€稱職的維護團隊的情況下?。?。但是我們對維護前的數(shù)據(jù)并不確定。

以下顯示了兩個相互疊加在一起的數(shù)據(jù)樣本。

與其在原始信號上進行訓練，不如提取特征區(qū)分訓練前后的數(shù)據(jù)，這往往幫助更大。使用Diagnostic Feature Designer應用程序，一次性從所有數(shù)據(jù)中自動提取特征并對其排序。然后，這個應用程序可以自動創(chuàng)建一個函數(shù)generateFeatures，以編程方式重做所有這些工作。

trainFeatures = generateFeatures(trainData);

這就是那個基于biLSTM的自動編碼器。

featureDimension = 1;

% Define biLSTM network layers

layers = [ sequenceInputLayer(featureDimension,'Name','in')

bilstmLayer(16,'Name','bilstm1')

reluLayer('Name','relu1')

bilstmLayer(32,'Name','bilstm2')

reluLayer('Name','relu2')

bilstmLayer(16,'Name','bilstm3')

reluLayer('Name','relu3')

fullyConnectedLayer(featureDimension,'Name','fc')

regressionLayer('Name','out') ];

自動編碼器是這樣工作的：在正常數(shù)據(jù)上訓練網(wǎng)絡。如果您把正常的數(shù)據(jù)傳給它，就能很好地重構(gòu)它。如果您把一些不正常的數(shù)據(jù)傳給它，就無法重構(gòu)它，并且您會從重構(gòu)錯誤中看到提示。

在每個通道的排名前四的特征上訓練網(wǎng)絡—僅根據(jù)正常（維護后）數(shù)據(jù)。

通過挑選合適的重構(gòu)誤差閾值，算法能以相當高的準確率識別出異常情況。而我們有一些已知為異常的測試數(shù)據(jù)，可以明確地測試算法的準確率。