本发明属于深度学习、人工智能，具体涉及一种专故障敏感的自监督装备异常检测方法及系统。
背景技术：
1、对装备进行异常检测对于预防故障、提高安全性、降低维修成本、优化维护计划和改善生产效率具有重要作用。及时检测和分析装备异常情况，为装备的正常运行提供了保障，从而实现更可持续的生产和运营。
2、随着状态监测设备投资的增加，基于大规模训练数据驱动的方法在异常检测领域表现突出。然而，在现实安全生产的环境中装备故障发生极少，故障样本稀缺，这使得可用的训练数据集通常既不具有代表性，也不具有大规模性。同时，现有的异常检测算法通常忽略了数据中的异常不仅是由故障引起的，也是由运行环境的变化引起的。这些非关键因素会导致底层数据分布发生离散或连续的偏移。如果每次运行环境发生变化时都检测到故障，异常检测会引起许多误报，因此在实际运行中不具有可部署性。
3、因此，针对同时实现对非关键因素的不变性和对故障的敏感性，本发明提出一种专故障敏感的自监督装备异常检测方法及系统。
技术实现思路
1、在故障数据和标签稀缺的现实约束下，为提高异常检测方法对与健康状况无关数据变化的鲁棒性和对可能故障的敏感性，本发明提出了一种专故障敏感的自监督装备异常检测方法及系统，为解决缺乏错误数据的情况下对比学习的自适应性问题，选择时间指标来量化不同健康状况的相似性，构建对比学习样本对。为解决深度网络训练中梯度消失和退化问题，引入残差连接，选择resnet1d网络作为对比学习特征编码器模型的主干架构。通过构建对比特征学习模块，旨在学习一种特征表示，该特征表示一方面对操作或环境因素不变，但另一方面对装备健康状况的变化敏感。对于无故障的无监督健康状态监测情况，为了能够准确快速地检测装备异常，基于特征空间中与健康类之间的距离可以代表缺陷的严重性的特点，构建能有效反应装备随时间推移的基本状态信息的健康指标，根据阈值完成装备的健康检测，标定故障时刻。
2、为实现上述目的，本发明提供了如下方案：
3、一种专故障敏感的自监督装备异常检测方法，包括以下步骤：
4、获取装备状态监测数据；
5、基于所述装备状态监测数据，构建对比学习样本对；
6、构建并训练对比特征学习模块，基于通过训练的所述对比特征学习模块，将输入的所述对比学习样本对映射到特征空间中；
7、对所述特征空间进行l2正则化处理；
8、基于主成分分析法，对正则化处理后的所述特征空间进行降维，提取满足预设要求的特征表示；
9、基于满足预设要求的特征表示进行健康状态阈值判定，获得装备异常检测结果。
10、优选的，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
11、优选的，所述对比特征学习模块选择resnet1d网络作为主干架构，引入残差连接。
12、优选的，采用对比损失函数通过反向传播算法优化对比特征学习模块参数，完成对比特征学习模块的训练。
13、优选的，基于满足预设要求的特征表示进行健康状态阈值判定，获得装备异常检测结果的方法包括：
14、基于特征空间中健康类的距离代表缺陷的严重性的特点，构建能有效反应装备随时间推移的基本状态信息的健康指标；
15、基于基准数据，确定健康指标的异常检测判断阈值；
16、根据异常检测判断阈值完成装备的健康检测，标定故障时刻。
17、本发明还提供了一种专故障敏感的自监督装备异常检测系统，包括：获取模块、构建模块、训练模块、正则化模块、提取模块和检测模块；
18、所述获取模块用于获取装备状态监测数据；
19、所述构建模块用于基于所述装备状态监测数据，构建对比学习样本对；
20、所述训练模块用于构建并训练对比特征学习模块，基于通过训练的所述对比特征学习模块，将输入的所述对比学习样本对映射到特征空间中；
21、所述正则化模块用于对所述特征空间进行l2正则化处理；
22、所述提取模块用于基于主成分分析法，对正则化处理后的所述特征空间进行降维，提取满足预设要求的特征表示；
23、所述检测模块用于基于满足预设要求的特征表示进行健康状态阈值判定，获得装备异常检测结果。
24、优选的，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
25、优选的，所述对比特征学习模块选择resnet1d网络作为主干架构，引入残差连接。
26、优选的，采用对比损失函数通过反向传播算法优化对比特征学习模块参数，完成对比特征学习模块的训练。
27、优选的，所述检测模块包括：指标构建单元、阈值确定单元和故障标定单元；
28、所述指标构建单元用于基于特征空间中健康类的距离代表缺陷的严重性的特点，构建能有效反应装备随时间推移的基本状态信息的健康指标；
29、所述阈值确定单元用于基于基准数据，确定健康指标的异常检测判断阈值；
30、所述故障标定单元用于根据异常检测判断阈值完成装备的健康检测，标定故障时刻。
31、与现有技术相比，本发明的有益效果为：
32、本发明提供了一种专故障敏感的自监督装备异常检测方法及系统。解决了在没有或只有少量故障数据的情况下，区分由健康状况变化引起的数据变化和由非关键信息因素引起的数据变化(域转换)的难题。与以往的异常检测工作不同，本发明从易受非关键信息干扰的传统检测模型转向只对故障敏感的异常检测模型，可以显著提高现实世界约束下的故障检测和诊断性能，缓解了先前存在的局限性，并将深度学习的适用性扩展到现实环境中的装备健康状态监测。
1.一种专故障敏感的自监督装备异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
3.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，所述对比特征学习模块选择resnet1d网络作为主干架构，并引入残差连接。
4.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，采用对比损失函数通过反向传播算法优化对比特征学习模块参数，完成对比特征学习模块的训练。
5.根据权利要求1所述的专故障敏感的自监督装备异常检测方法，其特征在于，基于满足预设要求的特征表示进行健康状态阈值判定，获得装备异常检测结果的方法包括：
6.一种专故障敏感的自监督装备异常检测系统，其特征在于，包括：获取模块、构建模块、训练模块、正则化模块、提取模块和检测模块；
7.根据权利要求6所述的专故障敏感的自监督装备异常检测系统，其特征在于，所述对比学习样本对包括：正对和负对；其中，正对为选择装备运行后的固定时间段内记录的数据样本，所述正对包括：锚样本和正样本；负对为装备运行后的固定时间段内记录的数据样本以外的其他样本，即负样本。
8.根据权利要求6所述的专故障敏感的自监督装备异常检测系统，其特征在于，所述对比特征学习模块选择resnet1d网络作为主干架构，引入残差连接。
9.根据权利要求6所述的专故障敏感的自监督装备异常检测系统，其特征在于，采用对比损失函数通过反向传播算法优化对比特征学习模块参数，完成对比特征学习模块的训练。
10.根据权利要求6所述的专故障敏感的自监督装备异常检测系统，其特征在于，所述检测模块包括：指标构建单元、阈值确定单元和故障标定单元；
