【大数据】结合深度学习的工业大数据应用研究（下）

结合深度学习的工业大数据应用研究（下）2019-03-043.5异常检测网络从异常检测[10]的角度来看，负样本少、样本奇异是异常检测问题的特征之一，刀具崩刃是一种典型的异常检测问题。在异常检测中，异常点与正常点通常有着较大的差异，因此，阈值法是异常检测问题中一种常用的方法。笔者发现，同一个加工环境下不同刀具的正常加工往往类似，但是刀具发生崩刃的异常情况却各不相同，因为没有包含所有断刀形式的数据集，所以使用普通CNN很难拟合负样本情况。针对这类问题，提出了一种不同于一般CNN方法的异常检测卷积神经网络（convolutionalneuralnetworkusinganomalydetection，CNN-AD）方法。在训练阶段，CNN-AD只使用正常样本训练，而在测试阶段，通过设定阈值判断网络的损失值是正样本还是负样本。在实验中，CNN-AD的结构与之前设计的CNN结构相同，不同的是在网络的训练集中只有正样本，即CNN-AD训练阶段只对正样本进行拟合。在测试阶段，CNN通过softmax层输出的是概率，而CNN-AD取消了softmax层，最终的输出为网络的损失函数值。本文设定了一个