目录
引言
在工业设备预测性维护中，振动数据分析扮演着关键角色。异常振动可能预示着设备故障或性能下降，及时发现这些异常对于预防重大设备故障具有重要意义。本文详细介绍了一个基于ML.NET框架实现的振动数据异常检测系统。
Nuget 安装包
C#Microsoft.ML.Data; Microsoft.ML.TimeSeries;
系统架构
核心组件
- 数据加载和预处理模块
- 统计分析模块
- 基于SR-CNN的异常检测模块
- 多级别异常分类模块
- 结果输出和持久化模块
数据结构设计
C#public class VibrationData
{
[LoadColumn(0)]
public DateTime Time { get; set; }
[LoadColumn(1)]
public float Value { get; set; }
}
public class VibrationDataWithIndex
{
public DateTime Time { get; set; }
public float Value { get; set; }
public int Index { get; set; }
}
异常检测实现方法
数据集格式
数据预处理
C#var dataView = mlContext.Data.LoadFromTextFile<VibrationData>(
"振动数据.csv",
separatorChar: ',',
hasHeader: true
);
统计特征分析
系统自动计算以下统计指标：
- 平均值
- 标准差
- 最大值
- 最小值
- 数据点数量
SR-CNN异常检测算法配置
C#var pipeline = mlContext.Transforms.DetectAnomalyBySrCnn(
outputColumnName: nameof(VibrationDataPrediction.Prediction),
inputColumnName: nameof(VibrationDataWithIndex.Value),
windowSize: 64,
backAddWindowSize: 2,
threshold: 0.3f
);
参数说明：
- windowSize：64 - 用于局部特征提取的窗口大小
- backAddWindowSize：2 - 后续窗口大小，影响算法的连续性检测
- threshold：0.3f - 异常判定阈值，较低的阈值提供更高的敏感度
多级别异常分类
严重异常判定标准^2
- 异常分数 > 0.7
- 或数值偏离均值超过3个标准差
中度异常判定标准
- 0.5 < 异常分数 ≤ 0.7
- 或数值偏离均值2-3个标准差
模型持久化
C#mlContext.Model.Save(model, newDataView.Schema, "vibration_anomaly_model.zip");
完整代码
C#using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.TimeSeries;
using Microsoft.ML.Transforms.TimeSeries;
class Program
{
static void Main(string[] args)
{
var mlContext = new MLContext();
// 加载数据
var dataView = mlContext.Data.LoadFromTextFile<VibrationData>("振动数据.csv", separatorChar: ',', hasHeader: true);
// 获取数据并添加索引
var rawData = mlContext.Data.CreateEnumerable<VibrationData>(dataView, reuseRowObject: false)
.Select(x => new VibrationDataWithIndex
{
Time = x.Time,
Value = x.Value
})
.ToList();
// 计算基本统计信息
var values = rawData.Select(x => x.Value).ToList();
double mean = values.Average();
double stdDev = Math.Sqrt(values.Select(x => Math.Pow(x - mean, 2)).Average());
double max = values.Max();
double min = values.Min();
Console.WriteLine("数据基本统计：");
Console.WriteLine($"平均值: {mean:F3}");
Console.WriteLine($"标准差: {stdDev:F3}");
Console.WriteLine($"最大值: {max:F3}");
Console.WriteLine($"最小值: {min:F3}");
Console.WriteLine($"数据点数量: {values.Count}");
Console.WriteLine();
// 添加索引
for (int i = 0; i < rawData.Count; i++)
{
rawData[i].Index = i;
}
// 将数据转换回IDataView
var newDataView = mlContext.Data.LoadFromEnumerable(rawData);
// 创建异常检测管道 - 使用更敏感的参数
var pipeline = mlContext.Transforms.DetectAnomalyBySrCnn(
outputColumnName: nameof(VibrationDataPrediction.Prediction),
inputColumnName: nameof(VibrationDataWithIndex.Value),
windowSize: 64, // 减小窗口大小以更容易检测到局部异常
backAddWindowSize: 2, // 减小后续窗口大小
threshold: 0.3f // 降低阈值以增加敏感度
);
// 训练模型
var model = pipeline.Fit(newDataView);
// 使用模型进行预测
IDataView transformedData = model.Transform(newDataView);
// 获取预测结果
var predictions = mlContext.Data.CreateEnumerable<VibrationDataPrediction>(
transformedData, reuseRowObject: false).ToList();
// 统计异常分数分布
var scores = predictions.Select(p => p.Prediction[0]).ToList();
Console.WriteLine("异常分数统计：");
Console.WriteLine($"最大异常分数: {scores.Max():F3}");
Console.WriteLine($"平均异常分数: {scores.Average():F3}");
Console.WriteLine($"最小异常分数: {scores.Min():F3}");
Console.WriteLine();
// 使用多级别阈值输出异常
Console.WriteLine("多级别异常检测结果：");
// 严重异常 (异常分数 > 0.7 或者值超过3个标准差)
Console.WriteLine("\n严重异常点:");
for (int i = 0; i < predictions.Count; i++)
{
if (predictions[i].Prediction[0] > 0.7 ||
Math.Abs(rawData[i].Value - mean) > 3 * stdDev)
{
Console.WriteLine($"时间: {rawData[i].Time}, " +
$"索引: {rawData[i].Index}, " +
$"值: {rawData[i].Value}, " +
$"异常分数: {predictions[i].Prediction[0]:F2}, " +
$"偏离标准差: {Math.Abs(rawData[i].Value - mean) / stdDev:F2}σ");
}
}
// 中度异常 (异常分数 > 0.5 或者值超过2个标准差)
Console.WriteLine("\n中度异常点:");
for (int i = 0; i < predictions.Count; i++)
{
if ((predictions[i].Prediction[0] > 0.5 && predictions[i].Prediction[0] <= 0.7) ||
(Math.Abs(rawData[i].Value - mean) > 2 * stdDev && Math.Abs(rawData[i].Value - mean) <= 3 * stdDev))
{
Console.WriteLine($"时间: {rawData[i].Time}, " +
$"索引: {rawData[i].Index}, " +
$"值: {rawData[i].Value}, " +
$"异常分数: {predictions[i].Prediction[0]:F2}, " +
$"偏离标准差: {Math.Abs(rawData[i].Value - mean) / stdDev:F2}σ");
}
}
// 将详细结果保存到CSV文件
using (var writer = new StreamWriter("详细异常检测结果.csv"))
{
writer.WriteLine("时间,值,异常分数,偏离均值标准差数,异常等级");
for (int i = 0; i < predictions.Count; i++)
{
double deviations = Math.Abs(rawData[i].Value - mean) / stdDev;
string anomalyLevel = "正常";
if (predictions[i].Prediction[0] > 0.7 || deviations > 3) anomalyLevel = "严重异常";
else if (predictions[i].Prediction[0] > 0.5 || deviations > 2) anomalyLevel = "中度异常";
writer.WriteLine($"{rawData[i].Time},{rawData[i].Value}," +
$"{predictions[i].Prediction[0]:F4},{deviations:F2},{anomalyLevel}");
}
}
// 保存模型
mlContext.Model.Save(model, newDataView.Schema, "vibration_anomaly_model.zip");
}
}
// 其他类定义保持不变
public class VibrationData
{
[LoadColumn(0)]
public DateTime Time { get; set; }
[LoadColumn(1)]
public float Value { get; set; }
}
public class VibrationDataWithIndex
{
public DateTime Time { get; set; }
public float Value { get; set; }
public int Index { get; set; }
}
public class VibrationDataPrediction
{
[VectorType(3)]
public double[] Prediction { get; set; }
}
SR-CNN核心参数调优
windowSize（时间窗口大小）
C#windowSize: 64 // 可调整范围：32-256
参数说明：
- 定义：用于特征提取的滑动窗口大小
- 影响：直接影响异常检测的时间粒度和敏感度
- 调优建议：
- 高频振动数据：32-64
- 中频振动数据：64-128
- 低频振动数据：128-256
backAddWindowSize（后续窗口大小）
C#backAddWindowSize: 2 // 可调整范围：1-5
参数说明：
- 定义：用于连续性检测的附加窗口大小
- 影响：影响异常检测的连续性判断
threshold（异常阈值）
C#threshold: 0.3f // 可调整范围：0.1-0.9
参数说明：
- 定义：判定异常的分数阈值
- 影响：直接决定检测灵敏度
阈值选择指南：
text0.1-0.3：超高敏感度（适用于精密设备） 0.3-0.5：高敏感度（适用于常规工业设备） 0.5-0.7：中等敏感度（适用于粗加工设备） 0.7-0.9：低敏感度（适用于高噪声环境）
总结
该系统通过结合ML.NET的SR-CNN算法和传统统计方法，实现了高效的振动数据异常检测。系统的多级别异常分类机制为设备维护决策提供了更细致的参考依据。
未来改进方向：
- 引入深度学习模型提升检测准确率
- 添加实时告警机制
- 开发可视化界面
- 支持多源数据融合分析
本文作者:技术老小子
本文链接:
版权声明:本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
目录