基于健康状态分层与混合自编码模型的倍捻机气圈转速异常检测

来源：现代纺织技术杂志2026年第05期北京时间：

作者：吴梓豪, 戴宁, 沈春娅, 胡旭东, 汝欣

单位：1 . 浙江理工大学全省柔性功能材料智能加工装备重点实验室,浙江杭州 310018;2 . 现代纺织技术创新中心(鉴湖实验室) ,浙江绍兴 312000;3 . 浙江康立自控科技有限公司,浙江绍兴 312500)

摘要：针对工业场景下因标签数据稀缺而普遍存在的训练数据污染问题,提出了一种高效的半监督异常检测框架,其核心在于“先提纯,后建模”。 首先利用锭子“共同驱动”的物理先验,通过挖掘各锭位气圈转速的长期统计特征执行健康状态分层,从而自动筛选出代表理想工况的“健康核心”数据子集作为纯净训练集。在此基础上,构建了一种融合一维卷积神经网络(1D-CNN)与长短期记忆网络(LSTM)的混合自编码器模型(Hybrid-1D-CNN-LSTM-AE) ,该模型能同时捕捉气圈速度序列中的局部暂态模式和长期依赖关系,并在无监督模式下仅使用提纯后的健康数据进行训练,最终通过评估新数据的重构误差来实现异常识别。在真实工业数据集上对提出的框架进行实验验证,结果表明:该框架有效解决了数据质量问题,其构建模型的F1 -SCORE 达到0 . 82 ,显著优于多种基准模型。研究结果可为高噪声、少标签的复杂工业场景下的异常检测提供一种高效、可靠的解决方案。

关键词：异常检测,倍捻机,气圈转速,深度学习,自编码器,健康状态分层

基金资助：浙江省教育厅科研项目(Y202455953 ) ;浙江省科技计划项目(2022C01202 ,2022C01065 ) ;浙江理工大学科研启动基金项目(23242083 -Y)