科研仪器对科研发展至关重要，当前仪器异常大多依靠人工发现，繁琐低效，难以满足智能化管理需求。电流可以反映设备工况，基于电流数据开展仪器异常监测具备研究价值。针对科研仪器异常监测痛点，本文搭建基于电流数据的科研仪器远程监测平台，支撑仪器监测信息化、数字化转型。采用非侵入式电流智能检测仪采集设备电流数据，借助NB‑IoT上传至物联网平台；数据层依靠集群化存储保障数据安全可靠；业务层基于微服务实现功能模块化；展示层通过网页、小程序、数据大屏为用户提供异常监测服务。异常检测算法是仪器异常发现的核心。针对电流时序异常检测，提出基于对抗网络的检测方案，融合GAN与LSTM构建异常电流检测模型，采用双GAN循环结构与CNN做模型优化，搭配多类异常打分指标提升检测精度。实测召回率95.42%，F1分数89.54%，可有效识别异常电流。检出异常电流后需要进一步完成故障溯源，将异常分为使用异常、故障异常、不规范操作异常三类。提出CNN‑BiGRU‑GAM异常电流分类方法，利用GAN扩充异常数据集；采用门控循环单元搭建分类模型，并行CNN优化特征提取，双重注意力机制强化电流源域特征挖掘。实验表明该模型对三类异常分类效果最优，宏F1分数可达97.95%。
作者： 叶宗昆
指导老师：陈科明
企业导师：曾佳
发布时间：2024年5月