欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

工业传感器时序异常检测:LSTM 自编码器重构误差法(PyTorch 可复现)

上邦 AI 工程团队2026-10-04阅读 约 8 分钟
工业设备传感器会产生海量时序数据,传统阈值法在复杂工况下误报频发且难以自适应。本文用 PyTorch 实现一个 LSTM 自编码器,以重构误差作为异常分数,给出从数据构造、训练到阈值判定的完整可复现流程,适合作为设备预测性维护的前置异常检测环节。

一、思路:用重构误差刻画正常

自编码器在仅用正常样本训练时,会学会压缩并重建正常模式;当出现异常,重建误差会显著增大。相比固定阈值,这种方法能自适应复杂工况。我们用 LSTM 捕捉时序依赖,对单变量或多变量传感器序列做滑动窗口重建。

二、可复现代码

构造窗口样本:
import numpy as np, torch
def make_windows(x, w=24):
    return np.array([x[i:i+w] for i in range(len(x)-w+1)])
x = np.sin(np.linspace(0, 40, 1000)) + np.random.normal(0, 0.05, 1000)
X = make_windows(x, 24).astype('float32')
loader = torch.utils.data.DataLoader(torch.from_numpy(X), batch_size=64, shuffle=True)
定义 LSTM 自编码器并训练:
class AE(torch.nn.Module):
    def __init__(self, n=1, h=32):
        super().__init__()
        self.enc = torch.nn.LSTM(n, h, batch_first=True)
        self.dec = torch.nn.LSTM(h, n, batch_first=True)
    def forward(self, x):
        z, _ = self.enc(x)
        out, _ = self.dec(z)
        return out
model = AE()
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
for epoch in range(20):
    for b in loader:
        b = b.unsqueeze(-1)
        opt.zero_grad()
        loss = torch.nn.MSELoss()(model(b), b)
        loss.backward(); opt.step()
以验证集误差分位数设定阈值,超出即判异常:
model.eval()
with torch.no_grad():
    errs = [torch.nn.MSELoss()(model(t.unsqueeze(0).unsqueeze(-1)), t.unsqueeze(0).unsqueeze(-1)).item() for t in torch.from_numpy(X)]
thr = np.quantile(errs, 0.99)
print('anomaly threshold =', round(thr, 6))
提醒:须用充足且标注清晰的正常样本训练;工况切换、传感器漂移也会抬升误差,判异常后仍需工程人员结合上下文确认,避免误停机。

参考来源

PyTorch 官方文档(torch.nn.LSTM 与训练循环) - PyTorch;scikit-learn 异常检测与 Novelty 检测指南 - scikit-learn 官方文档;LSTM 自编码器用于时序异常检测的公开研究综述 - 学术文献数据库。
相关标签:工业AI异常检测LSTM自编码器预测性维护

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案