基于神经网络的电子设备异常检测研究

摘要

针对电子设备运行监控中常规手段难以预判的故障和初期缺陷的难题，本文提出一种基于神经网络技术的设备异常识别方案。该方案首先通过多类型传感器实时获取设备振动信号、热量分布、电流变化等工作参数。其次，运用朴素贝叶斯方法筛选核心安全特征量，借助粗糙集原理完成对获取特征的降维处理工作，建立径向基函数神经网络(RBF)和卷积神经网络(CNN)的融合诊断架构。再次，采用梯度下降策略调优训练相关参数，以此完成对设备正常、预警、故障及检修四类运行状态的自动判别任务。最后，选取铅酸电池直流供电装置和雷达系统开展实验。数据显示系统特征识别可信度保持在97%以上水平，故障判定准确率均超过90%,针对零日威胁攻击的检测响应效率比传统技术提高30%,能够实现电子设备异常状态的精确识别与提前预警。

关键词

神经网络 / 异常检测 / 特征提取 / 梯度下降 / 故障诊断