CN111062447A - 通过降维方式进行风力发电机故障诊断的方法和装置 - Google Patents
通过降维方式进行风力发电机故障诊断的方法和装置 Download PDFInfo
- Publication number
- CN111062447A CN111062447A CN201911362110.1A CN201911362110A CN111062447A CN 111062447 A CN111062447 A CN 111062447A CN 201911362110 A CN201911362110 A CN 201911362110A CN 111062447 A CN111062447 A CN 111062447A
- Authority
- CN
- China
- Prior art keywords
- sample data
- data
- equal
- space
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009467 reduction Effects 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003828 downregulation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种通过降维方式进行风力发电机故障诊断的方法和装置。所述方法包括根据风力发电机在不同运行状态下的运行数据,构建原始数据空间;利用第一方式对原始数据空间中的样本数据进行特征选择,得到一个新的数据空间;利用第二方式对基于第一种方式得到的新数据空间中任一样本数据构造对应的对称正定矩阵流形;利用第三方式对所述样本数据的对称正定矩阵流形进行特征提取,得到对称正定矩阵流形中样本数据的低维特征集合;将得到的低维特征集合输入至支持向量机中,根据支持向量机的输出信息对风力发电机的故障进行检测。本公开可以提高风力发电机的故障检测精度。
Description
技术领域:
本发明涉及的是一种风力发电机的故障检测方法及装置。
背景技术:
随着流形学习理论的逐步完善,流形学习被广泛应用于故障诊断领域。与传统的特征提取方法相比,流形学习是以整个数据集而非单一数据作为研究对象,能充够利用原始数据间的局部结构信息,但是流形学习在故障诊断中的应用依旧存在着诸多问题。其具体表现在现有的流形学习算法以向量的形式表示样本数据,这会忽略了样本数据特征之间的结构信息;同时以向量的形式表示样本数据会造成数据的“维度灾难”问题;此外,现有的流形学习算法都是在欧式空间中计算任一样本数据的K近邻点,与流形学习算法的非线性特性相悖,这种计算方式存在较大的误差,使得最终的低维特征集合不能准确地反映原始数据的本质特征,这严重影响了故障诊断精度。
发明内容:
为了解决背景技术中所提到的技术问题,本发明提供一种通过降维方式进行风力发电机故障诊断的方法和装置,利用该检测方法及装置能够增强所提取特征的显著性,提高最终故障识别的精度。该方法首先利用了经典的特征选择算法局部线性嵌入投票算法对原始数据进形初次降维,得到所述原始样本数据在新的数据空间表示;并将新数据空间的样本数据映射到对称正定矩阵流形中,通过在对称正定矩阵流形对应的切空间中引用了局部线性嵌入算法得到原始数据对应的低维特征集合。将得到的低维特征集合输入至支持向量机中,根据支持向量机的输出信息,对风力发电机故障进行检测。
本发明所述通过降维方式进行风力发电机故障诊断的方法和装置,包括如下步骤:
第一步,根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,包括:
通过至少一种传感器采集风力发电机在不同运行状态下的运行数据;
根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
对截取的预设长度的运行数据执行归一化处理,得到所述样本数据X,并基于所述样本数据形成所述原始数据空间;
其中,对运行数据执行归一化处理的表达式如式(1):
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X为归一化后得到的样本数据的集合,以矩阵集合的方式表示,X={x1,x2,...,xN};i为大于或者等于1且小于或者等于N的整数;xi表示第i个预设长度的运行数据;
第二步,按照式(2)找到与所述原始数据空间中任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数N的整数:
其中,dist(xi,xj)表示所述原始数据空间任意两组样本数据间的距离,xik和xjk分别表示所述原始数据空间中的样本数据xi和xj的第k个特征,k表示任一样本数据对应的特征,k为大于或者等于1且小于或者等于D的整数,D表示所述原始数据空间样本数据的维数,也为所述原始数据空间的特征组数;
其次,按照式(3)得到所述任一样本数据与对应的K近邻样本数据之间的局部线性结构,其表达式为:
其中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据xi近邻点的组数;K为大于等于1小于等于N的整数;j为大于或者等于1且小于或者等于K的整数;xi j表示样本数据xi的第j个近邻点,wij表示样本数据xi的局部线性结构;λ1、λ2表示非负调节参数;||w2ij||1表示w2ij的L1范数,表示w2ij的L2范数;
之后,利用式(4)和式(5)通过迭代方式计算求得式(3)中所述的第一种局部线性结构:
X=AW+λ||W||1………式(4)
W(j+1)=W(j)+γδ(j)………式(5)
其中,X表示所述归一化后的样本数据;A表示样本数据X的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2,...,xK};W表示所述样本数据的局部线性结构;W(j)为第j次迭代得到的局部线性结构;γ为迭代步长;δ(j)为迭代方向;j表示迭代次数,1≤j≤K;λ表示系数,0≤λ≤1;
最后,基于所述任一样本数据的局部线性结构,得到任一样本数据新的数据空间,路径如下:
首先,按照式(6)计算出任一样本数据各特征的得票数:
其中,Voter表示所述样本数据任一特征的得票数;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;fri表示样本数据xi的第r个特征,j为大于或者等于1且小于或者等于N的整数,wij表示样本数据xi的局部线性结构;frj表示样本数据xj的第r个特征;
之后,根据式(6)中Voter得到所述样本数据任一特征的得票数,选择得票数最少的d个特征作为所述原始数据新的数据空间;
第三步,利用第二方式对第二步获得的新数据空间表示,构造对应的对称正定矩阵流形,所述第二种方式包括如下步骤:
首先按照式(7)将新的数据空间的样本数据映射到对称正定矩阵流形上:
第四步,利用第三方式对第三步所获得的向量化处理的数据进行特征提取,得到对称正定矩阵流形数据的低维特征集合,也为所述原始样本数据的低维特征集合;所述第三种方式利用局部线性嵌入算法,按照如下路径进行:
首先,按照式(9)找到经式(8)向量化处理后任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数:
其次,根据式(10)计算出经式(8)向量化处理后任一样本数据的局部线性结构:
式中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;表示样本数据的第j个近邻点,wij表示样本数据的局部线性结构;
最后,根据在低维空间中保持局部结构wij不变,根据式(11)得到对称正定矩阵流形数据的低维特征集合,也为所述原始样本数据的低维特征集合:
其中,表示经式(8)向量化处理后任一样本数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;1≤K≤N;wij表示任一样本数据的局部线性结构;
第五步,将第四步所获得的低维特征集合作为支持向量机的输入,通过支持向量机输出的信息进行风力发电机的故障检测。
通过降维方式进行风力发电机故障诊断的装置,包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
第一获得模块,利用第一方式对所述原始数据进行特征选择,得到所述原始样本数据新的数据空间;
第二获得模块,其用于对所述第一获得模块获得的原始样本数据新的数据空间,构造对称正定矩阵流形空间;
第三获得模块,利用第二获得模块得到数据在对称正定矩阵流形空间的表示,利用局部线性嵌入算法在对称正定矩阵流形切空间上执行特征提取得到所述原始数据空间中样本数据的低维特征集合;
检测模块,其用于将所述第三获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的信息进行风力发电机的故障检测。
本发明具有如下有益效果:与现有技术相比,本发明所述方法根据数据的特点,首先利用经典的特征选择算法得到了所述原始数据新的数据空间,不仅降低了所述原始数据的维度,同时了也保留了所述原始数据的重要特征;其次,基于新数据空间的样本数据构造对称正定矩阵流形,通过计算任一样本数据在对称正定矩阵流形对应切空间空间上的表示,利用最常用的局部线性嵌入流形学习算法在该切空间中进行特征提取,使得到的低维特征中更多地保留了原始数据的特征,极大地提高故障检测的精度。
针对本发明提出的基于特征选择的对称正定矩阵流形学习故障诊断方法,它是以整个数据集为研究对象,同时结合了经典的特征选择算法、对称正定矩阵与局部线性嵌入算法的融合,使得最终的低维特征保留了原始数据的最本质特征。此外,本发明提出的特征选择算法得到原始数据在新数据空间的表示,极大地减少了后续基于低维特征集合的故障诊断的计算复杂度。另外,将数据映射到对称正定矩阵流形上,以矩阵的形式表示了任一样本数据,考虑样本数据间的局部结构信息,同时通过在切空间中选择任一样本数据的K近邻点,能更准确揭示样本数据间的结构关系,有利于提高后续的故障诊断精度。此外,本发明所述方法可以只对单一传感器采集的数据进行处理,降低了硬件成本。
附图说明:
图1为本发明所述风力发电机故障检测方法的流程图;
图2为图1中步骤S10的流程图;
图3为图1中步骤S20的流程图;
图4为图1中步骤S30的流程图;
图5为图1中步骤S40的流程图;
图6为图1中步骤S50的流程图;
图7为本发明所述风力发电机故障检测装置的构成框图;
图8示出为可实施本发明的一种电子设备的框图;
图9示出为可实施本发明的另一种电子设备的框图;
具体实施方式:
下面结合附图对本发明作进一步说明:
鉴于流形学习通过挖掘数据在高维空间中的局部线性几何结构,并在低维空间中保持该结构关系,实现对数据降维。因此,数据的局部几何结构对最终的降维结果至关重要。目前已有的流形学习研究成果中,大都采用向量的形式表示样本数据,同时利用样本间的欧氏距离计算任一样本数据的K近邻点,这不仅忽略了样本数据间的局部信息,同时选择出的K近邻点存在较大的误差,这就使得最终的低维特征无法全面地揭示出原始数据的内在本质属性,低维特征的可识别性较差。为此,本发明拟提供一种能够结合特征选择、对称正定矩阵流形与局部线性嵌入的风力发电机特征提取方法,以实现对风力发电机运行状态的实时监测,其中可以采用经典的特征选择算法得到所述原始样本数据在新数据空间表示,降低了所述原始数据的维度,同时保留了所述原始数据的重要信息;然后基于该新的空间表示构造对称正定矩阵流形,利用样本数据在对称正定矩阵流形切空间中的表示,最后利用局部线性嵌入算法在该切空间中进行特征提取,得到最终所述原始数据的低维特征集合,通过该低维特征集合执行故障检测,可以提升故障检测的精确度。与现有技术相比,本发明具有较小的计算复杂度,且极大地降低了原始数据空间维数,同时方法以整个数据集为对象,并以矩阵的形式表示任一样本数据,充分考虑了样本数据的局部信息,故适用于复杂的故障检测场景。
图1为本发明所述风力发电机故障检测方法的流程图,本种风力发电机故障检测方法可以用于检测任意类型的发电机的故障情况,例如风力发电机、水力发电机,或者其他任意类型的发电机,本公开对此不作具体限定。另外,本发明所述发电机故障检测方法的执行主体可以是任意的电子设备,例如,发电机故障检测方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该发电机的故障检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述风力发电机的故障检测方法可以包括:
S10:根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
在一些可能的实施方式中,风力发电机的运行状态可以包括正常状态、执行器故障状态、传感器故障状态中的至少一种。通过在发电机上或者发电机的各个器件上设置不同的传感器,可以检测发电机在不同运行状态下的运行数据。其中传感器可以实时的检测对应的运行数据。例如,运行数据可以包括浆距角、发电机转矩、发电机转动角速度以及转子角速度中的至少一种。对应的可以通过相应类型的传感器检测各运行数据。继而可以利用各运行数据得到多组样本数据,基于该做足样本数据构成原始数据空间。另外,本公开实施例中的相同组内的样本数据中的各运行数据为相同类型,不同组的样本数据中的运行数据的类型可以相同,也可以不同。
本公开实施例中,得到的各组样本数据可以构建原始数据空间,该原始数据空间可以表示为矩阵模型,其中每组样本数据可以表示为特征向量,通过该多组样本数据对应的特征向量可以构建矩阵模型。
S20:基于所述原始数据空间,利用基于局部线性嵌入投票的特征选择得所述原始数据新的数据空间;
在一些可能的实施方式中,可以利用不同的特征选择方式得到样本数据在新数据空间的表示。例如,如某个样本数据可以表示为x,其K近邻样本数据可以表示为A={x1,x2,...,xK},则x的结构为x=AW,W为样本数据x和其K近邻样本数据之间的局部线性结构。x可以表示为样本数据的特征向量,其对应的K近邻样本数据即为矩阵,该矩阵的每一列为x的一个近邻样本数据。利用x与AW的差值作为衡量样本数据中任一特征的重要性,选择出差值最小的d个特征作为原始数据的新数据空间的表示。
本公开实施例中的采用的特征选择方法为基于局部线性嵌入打分的方法。
S30:基于所述原始数据新的数据空间表示,构造对称正定矩阵流形;
在一些可能的实施方式中,基于所述原始数据新的数据空间,构造对称正定矩阵流形,本发明采用将任一样本数据构造对称正定矩阵的形式表示。
S40:基于所述将原始数据在新数据空间的表述,构造对称正定矩阵流形,通过在切空间中引用局部线性嵌入算法得到相应样本数据的低维特征。通过低维特征描述各样本数据,可以剔除数据的冗余维度,揭示出数据的内在的本质特征,提高***的诊断精度。
S50:基于所述低维特征得到风力发电机的故障检测结果。
即将获得的低维特征集合作为支持向量机的输入,通过支持向量机输出的类别信息进行风力发电机故障检测。所述支持向量机简称为SVM,具体路径包括:
首先,根据S40得到的低维特征任意选择出两种类别的数据构造SVM的输入训练样本集。其中,输入训练样本集表示为:
T={(y1,l1),...,(yk,lk),...,(yN,lc)}∈(Y,L)
其中,N表示SVM输入样本数目;k表示分类编号,且k=1,2,...,l,l表示类别编号数目;yk∈Y=Rd,d表示所述SVM输入样本数据的维度;lk∈L={-1,1}。
然后,通过训练SVM的输入,寻找一个最优超平面,使得这个超平面能够很好地解决二分类问题,按照式(12)的决策函数得到所述最优的超平面:
其中,yk∈y=Rd,y表示所述SVM输入的训练样本集;w*表示最终最优超平面的权值向量;w*T表示w*的转置;b*表示最终的最优平面的偏置;αk表示拉格朗日因子,且αk>0;k表示分类编号,且k=1,2,...,l,l表示类编号数目;sgn(.)表示跃阶函数。
之后,根据输入测试样本yi,利用最优分类函数即可分辨两种数据的所属类别。从而实现对这两种风力发电机故障进行检测。
最后,将SVM输入的其他类别的低维特征也两两结合进行上述的三个步骤,直至完成所有的分类,根据样本所属类别检测出风力发电机的故障。
下面继续结合附图对本发明进行详细说明。
图2示出步骤S10的流程图。其中,所述根据发电机在不同运行状态下的运行数据,构建原始数据空间,可以包括:
S101:通过至少一种传感器采集发电机在不同运行状态下的运行数据;
具体实施时可以采用一种传感器采集发电机在不同状态下的运行数据,或者也可以采用不同的传感器采集发电机在不同运行状态下的不同类型的运行数据。通过设置单一传感器可以减少硬件成本,通过设置多种传感器可以实现更全面的故障检测。
可以通过传感器实时的检测相应的运行数据,并实时存储。例如可以通过角度传感器检测发电机不同运行状态下的转动角速度,通过位移传感器检测发电机的转矩等,本公开对此不作具体限定,可以采用不同的传感器采集相应类型的运行数据。
S102:根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
在一些可能的实施方式中,可以从每种运行数据中选择一个或多个预设长度的运行数据,或者可以周期性的截取多组预设长度的运行数据。其中预设长度可以为预先设置的值,如可以为10,也可以为5,预设周期和预设长度对应,本公开不作具体限定。
S103:对截取的预设长度的运行数据执行归一化处理,得到所述样本数据,并基于所述样本数据形成所述样本数据。
在一些可能的实施方式中,可以将截取的预设长度的运行数据直接作为样本数据,或者也可以将预设长度的运行数据进行归一化处理,得到相应的样本数据,并基于样本数据构成原始数据空间。
由于运行数据不同维度间的单位可能是不同的,这就导致了各维度实际数据有可能不在同一数量级上,直接对原始数据进行分析,很容易使得某些数量级较大的维度在分析中影响较大,而一些重要的小数值维度信息被忽略,影响了数据最终的处理结果。另外,大量的大数值数据的存在同时也会降低算法的计算速度。因此,在对原始运行数据分析之前,通常需要进行归一化处理,将各选取的运行数据统一在同一区域内。常用的数据归一化方法是利用数据中的最大值和最小值通过线性变换实现的,这种只依赖个别数据点的归一化方法受数据中的奇异值影响较大。本公开实施例引入向量的l2范数对数据进行归一化处理,具体计算公式如下:
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X表示归一化后得到的样本数据的集合;xi表示所述任一样本数据。由于所有预设长度的运行数据均参与了归一化过程中,可以降低个别异常数据的影响,提高了归一化算法的鲁棒性。
在得到多样样本数据的情况下,可以对所述原始样本数据进行特征选择得到新的数据空间。本公开实施例利用了基于局部线性嵌入投票的特征选择方法,从所述原始数据空间中选择出m个特征作为原始数据新的数据空间。
其中,如图3所示,确定所述原始数据空间中任一样本数据的新的数据空间,包括:
S201:获得所述原始数据空间多组样本数据中任意两组样本数据之间的距离;
如上述实施例所述每组样本数据可以表示为向量形式,对应的可以将相应的向量之间的距离作为样本数据之间的距离,即可以得到每组样本数据与其余各样本数据之间的距离,如欧式距离,或者也可以采用其他距离,上述距离可以表示两个样本数据之间的相似度。距离越小,说明相似度越高。
S202:针对任一样本数据,将与所述任一样本数据之间的距离最小的K组样本数据,确定为所述任一样本数据的K近邻样本数据。
在一些可能的实施方式中,可以将与样本数据距离最小的K组样本数据作为样本数据的K近邻样本数据。即确定与每个样本数据最相似的K组样本数据。
在得到每组样本数据的K近邻样本数据的情况下,可以得到样本数据与K近邻样本数据之间的局部线性结构,该局部线性结构与K近邻样本数据之间的乘积可以为样本数据。对应的局部线性结构也可以表示向量,其中局部线性结构内的各数值表示K近邻样本数据中每个样本数据对应的权重。
S203:对所述任一样本数据的K近邻点,利用式(3)计算出对应的局部线性结构所述表达式为:
其中,i为大或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组于数;K表示样本数据xi近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;xi j表示样本数据xi的第j个近邻点,wij表示样本数据xi的局部线性结构;λ1、λ2表示非负调节参数;||w2ij||1表示w2ij的L1范数,表示w2ij的L2范数;
S204:基于式(3)得到任一样本样本数据的局部线性结构,执行下述操作得到任一样本数据新的数据空间:
首先,按照式(6)计算出任一样本数据各特征的分数:
其中,Voter表示所述样本数据任一特征的得票数;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;fri表示样本数据xi的第r个特征,j为大于或者等于1且小于或者等于N的整数,wij表示样本数据xi的局部线性结构;frj表示样本数据xj的第r个特征;
S205:根据式(6)中Voter得到所述样本数据任一特征的得票数,选择得票数最少的d个特征作为所述原始数据新的数据空间;
图4示出根据本公开实施例中步骤S30的流程图。其中所述基于所述原始数据新的数据空间,将每个数据样本构造对应的对称正定矩阵表示,包括:
S301:对所述原始数据新的数据空间中任一样本数据,通过式(7)构造对称正定矩阵流形,其表达式为:
图5示出根据本公开实施例中步骤S40的流程图。根据式(8)得到的向量化处理数据后,利用局部线性嵌入算法,得到所述原始数据空间中样本数据的低维特征集合,按照如下路径进行:
S401:首先,按照式(9)找到经式(8)向量化处理后任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数N的整数:
S402:根据式(10)计算出任一样本数据局部线性结构:
式中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据x~i近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;x~j表示样本数据x~i的第j个近邻点,wij表示样本数据x~i的局部线性结构;
S403:根据在低维空间中保持局部结构wij不变,根据式(11)得到所述样本数据的低维特征集合:
其中,表示原始数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;1≤K≤N;wij表示任一样本数据的局部线性结构;
图6示出根据本公开实施例中步骤S50的流程图。将第四步所获得的低维特征集合作为支持向量机的输入,通过支持向量机输出的信息进行风力发电机故障检测。
图7示出根据本公开实施例的发电机故障装置的框图,如图7所示,所述故障检测装置包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
第一获得模块,利用第一方式对所述原始数据进行特征选择,得到所述原始样本数据新的数据空间;
第二获得模块,其用于对所述第一获得模块获得的原始样本数据新的数据空间,构造对称正定矩阵流形空间;
第三获得模块,利用第二获得模块得到数据在对称正定矩阵流形空间的表示,利用局部线性嵌入算法在对称正定矩阵流形切空间上执行特征提取得到所述原始数据空间中样本数据的低维特征集合;
检测模块,其用于将所述第三获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的信息进行风力发电机的故障检测。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。所述电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图8示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9示出可实施本发明的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
用于实现本发明的装置可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。其中,计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明所述操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
Claims (2)
1.一种通过降维方式进行风力发电机故障诊断的方法,包括如下步骤:
第一步,根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,包括:
通过至少一种传感器采集风力发电机在不同运行状态下的运行数据;
根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
对截取的预设长度的运行数据执行归一化处理,得到所述样本数据X,并基于所述样本数据形成所述原始数据空间;
其中,对运行数据执行归一化处理的表达式如式(1):
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X为归一化后得到的样本数据的集合,以矩阵集合的方式表示,X={x1,x2,...,xN};i为大于或者等于1且小于或者等于N的整数;xi表示第i个预设长度的运行数据;
第二步,按照式(2)找到与所述原始数据空间中任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数N的整数:
其中,dist(xi,xj)表示所述原始数据空间任意两组样本数据间的距离,xik和xjk分别表示所述原始数据空间中的样本数据xi和xj的第k个特征,k表示任一样本数据对应的特征,k为大于或者等于1且小于或者等于D的整数,D表示所述原始数据空间样本数据的维数,也为所述原始数据空间的特征组数;
其次,按照式(3)得到所述任一样本数据与对应的K近邻样本数据之间的局部线性结构,其表达式为:
其中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据xi近邻点的组数;K为大于等于1小于等于N的整数;j为大于或者等于1且小于或者等于K的整数;表示样本数据xi的第j个近邻点,wij表示样本数据xi的局部线性结构;λ1、λ2表示非负调节参数;||w2ij||1表示w2ij的L1范数,表示w2ij的L2范数;
之后,利用式(4)和式(5)通过迭代方式计算求得式(3)中所述的第一种局部线性结构:
X=AW+λ||W||1………式(4)
W(j+1)=W(j)+γδ(j)………式(5)
其中,X表示所述归一化后的样本数据;A表示样本数据X的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2,...,xK};W表示所述样本数据的局部线性结构;W(j)为第j次迭代得到的局部线性结构;γ为迭代步长;δ(j)为迭代方向;j表示迭代次数,1≤j≤K;λ表示系数,0≤λ≤1;
最后,基于所述任一样本数据的局部线性结构,得到任一样本数据新的数据空间,路径如下:
首先,按照式(6)计算出任一样本数据各特征的得票数:
其中,Voter表示所述样本数据任一特征的得票数;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;fri表示样本数据xi的第r个特征,j为大于或者等于1且小于或者等于N的整数,wij表示样本数据xi的局部线性结构;frj表示样本数据xj的第r个特征;
之后,根据式(6)中Voter得到所述样本数据任一特征的得票数,选择得票数最少的d个特征作为所述原始数据新的数据空间;
第三步,利用第二方式对第二步获得的新数据空间表示,构造对应的对称正定矩阵流形,所述第二种方式包括如下步骤:
首先按照式(7)将新的数据空间的样本数据映射到对称正定矩阵流形上:
第四步,利用第三方式对第三步所获得的向量化处理的数据进行特征提取,得到对称正定矩阵流形数据的低维特征集合,也为所述原始样本数据的低维特征集合;所述第三种方式利用局部线性嵌入算法,按照如下路径进行:
首先,按照式(9)找到经式(8)向量化处理后任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数:
其次,根据式(10)计算出经式(8)向量化处理后任一样本数据的局部线性结构:
式中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;表示样本数据的第j个近邻点,wij表示样本数据的局部线性结构;
最后,根据在低维空间中保持局部结构wij不变,根据式(11)得到对称正定矩阵流形数据的低维特征集合,也为所述原始样本数据的低维特征集合:
其中,表示经式(8)向量化处理后任一样本数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;1≤K≤N;wij表示任一样本数据的局部线性结构;
第五步,将第四步所获得的低维特征集合作为支持向量机的输入,通过支持向量机输出的信息进行风力发电机的故障检测。
2.一种通过降维方式进行风力发电机故障诊断的装置,其特征在于,包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
第一获得模块,利用第一方式对所述原始数据进行特征选择,得到所述原始样本数据新的数据空间;
第二获得模块,其用于对所述第一获得模块获得的原始样本数据新的数据空间,构造对称正定矩阵流形空间;
第三获得模块,利用第二获得模块得到数据在对称正定矩阵流形空间的表示,利用局部线性嵌入算法在对称正定矩阵流形切空间上执行特征提取得到所述原始数据空间中样本数据的低维特征集合;
检测模块,其用于将所述第三获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的信息进行风力发电机的故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911362110.1A CN111062447B (zh) | 2019-12-26 | 2019-12-26 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911362110.1A CN111062447B (zh) | 2019-12-26 | 2019-12-26 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062447A true CN111062447A (zh) | 2020-04-24 |
CN111062447B CN111062447B (zh) | 2022-07-19 |
Family
ID=70303707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911362110.1A Active CN111062447B (zh) | 2019-12-26 | 2019-12-26 | 通过降维方式进行风力发电机故障诊断的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062447B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
US20160171796A1 (en) * | 2014-12-16 | 2016-06-16 | University Of Southern California | Gas Turbine Engine Anomaly Detections and Fault Identifications |
CN107092923A (zh) * | 2017-03-22 | 2017-08-25 | 东北大学 | 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法 |
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
CN110610245A (zh) * | 2019-07-31 | 2019-12-24 | 东北石油大学 | 一种基于AFPSO-K-means的长输油管道泄漏检测方法及*** |
-
2019
- 2019-12-26 CN CN201911362110.1A patent/CN111062447B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930285A (zh) * | 2012-09-18 | 2013-02-13 | 四川大学 | 基于有监督增量式局部线性嵌入(sille)维数化简的早期故障辨识方法 |
US20160171796A1 (en) * | 2014-12-16 | 2016-06-16 | University Of Southern California | Gas Turbine Engine Anomaly Detections and Fault Identifications |
CN107092923A (zh) * | 2017-03-22 | 2017-08-25 | 东北大学 | 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法 |
CN107316057A (zh) * | 2017-06-07 | 2017-11-03 | 哈尔滨工程大学 | 基于局部线性嵌入与k‑最近邻分类器的核动力装置故障诊断方法 |
CN109815934A (zh) * | 2019-02-12 | 2019-05-28 | 西华大学 | 一种应用于逆变器故障的多尺度oglpe特征提取方法 |
CN110610245A (zh) * | 2019-07-31 | 2019-12-24 | 东北石油大学 | 一种基于AFPSO-K-means的长输油管道泄漏检测方法及*** |
Non-Patent Citations (6)
Title |
---|
SHAY DEUTSCH等: "Learning the Geometric Structure of Manifolds with Singularities Using the Tensor Voting Graph", 《JOURNAL OF MATHEMATICAL IMAGING AND VISION》 * |
YANSHENG ZHANG等: "Robust locally linear embedding algorithm for machinery fault diagnosis", 《PREPRINT SUBMITTED TO NEUROCOMPUTING》 * |
YAO C等: "LLE score:a new filter-based unsupervised feature selection method based on non-liner manifold embedding and its application to image recognition", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
ZEBIAO HU等: "Locally linear embedding vote: A novel filter method for feature selection", 《DOI: 10.1016/J.MEASUREMENT.2021.110535》 * |
吴武林: "基于机器学习的滚动轴承智能诊断方法研究", 《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》 * |
躺在稻田里的小白菜: "(十二)LLE局部线性嵌入降维算法", 《HTTPS://WWW.JIANSHU.COM/P/25A2A47BB60B》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
CN116720109B (zh) * | 2023-08-09 | 2023-10-20 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111062447B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113743535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
US11024291B2 (en) | Real-time class recognition for an audio stream | |
EP3825923A1 (en) | Hypernetwork training method and device, electronic device and storage medium | |
US20210248718A1 (en) | Image processing method and apparatus, electronic device and storage medium | |
US20210103733A1 (en) | Video processing method, apparatus, and non-transitory computer-readable storage medium | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
US20210224592A1 (en) | Method and device for training image recognition model, and storage medium | |
CN109359056B (zh) | 一种应用程序测试方法及装置 | |
CN111816162B (zh) | 一种语音变化信息检测方法、模型训练方法以及相关装置 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US20210158126A1 (en) | Method and device for compressing a neural network model for machine translation and storage medium | |
CN110162600B (zh) | 一种信息处理的方法、会话响应的方法及装置 | |
CN112364799A (zh) | 一种手势识别方法及装置 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN114416260B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112926310A (zh) | 一种关键词提取方法及装置 | |
CN111062447B (zh) | 通过降维方式进行风力发电机故障诊断的方法和装置 | |
CN110991566B (zh) | 通过信息融合方式进行风力发电机故障诊断的方法和装置 | |
CN111538998B (zh) | 文本定密方法和装置、电子设备及计算机可读存储介质 | |
CN111047049B (zh) | 基于机器学习模型处理多媒体数据的方法、装置及介质 | |
CN113936697A (zh) | 语音处理方法、装置以及用于语音处理的装置 | |
CN111797746A (zh) | 人脸识别方法、装置及计算机可读存储介质 | |
CN111142020B (zh) | 通过多结构方式进行风力发电机故障诊断的方法和装置 | |
CN112863523B (zh) | 语音防伪方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |