CN115034307A - 多参量自适应融合的振动数据自确认方法、***及终端 - Google Patents

多参量自适应融合的振动数据自确认方法、***及终端 Download PDF

Info

Publication number
CN115034307A
CN115034307A CN202210668145.3A CN202210668145A CN115034307A CN 115034307 A CN115034307 A CN 115034307A CN 202210668145 A CN202210668145 A CN 202210668145A CN 115034307 A CN115034307 A CN 115034307A
Authority
CN
China
Prior art keywords
data
self
fault
vibration
parameter
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.)
Pending
Application number
CN202210668145.3A
Other languages
English (en)
Inventor
彭延峰
范超
郭勇
罗曜
赵前程
郭理宏
杨来铭
何宽芳
袁文明
刘燕飞
耿宏岩
李赛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Zhongmao Technology Co ltd
Hunan University of Science and Technology
Original Assignee
Guangdong Zhongmao Technology Co ltd
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhongmao Technology Co ltd, Hunan University of Science and Technology filed Critical Guangdong Zhongmao Technology Co ltd
Priority to CN202210668145.3A priority Critical patent/CN115034307A/zh
Publication of CN115034307A publication Critical patent/CN115034307A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于机械设备故障诊断技术领域，公开了一种多参量自适应融合的振动数据自确认方法、***及终端，融合低幅值、单位时间突变点数量阈值、数据多样性阈值、频率阈值和时域特征增量阈值参量，针对采集***的采集卡故障、传感器故障和线路故障进行有效诊断，将大量数据输入到深度置信神经网络进行训练和测试，最终实现振动数据有效性的自确认，确保采集的数据是对机械设备运行状态的真实反应，为机械设备的健康监测提供有效保障；使用LLE对特征量进行融合后的DBN对振动信号采集***的故障识别准确率达96.7％；使用LLE对特征量进行参数融合后，能大幅提高DBN对故障类型识别的准确率，实现对振动信号采集***故障的智能诊断。

Description

多参量自适应融合的振动数据自确认方法、***及终端
技术领域
本发明属于机械设备故障诊断技术领域，尤其涉及一种多参量自适应融合的振动数据自确认方法、***及终端。
背景技术
目前，温度、湿度、压力的监控，文字和图像的识别，设备的故障诊断等诸多领域都需要采集相关数据，尽管采集的数据是最底层的数据，却起到了举足轻重的作用，一旦采集到的数据是无效失真数据，基于该数据得出的结论也是不准确的。基于振动信号的机械设备故障诊断方法是国内外比较普及且有效的检测方法，在忽略监测数据纯度的同时，积少成多，量的损伤必然会导致质的影响，加大了机械设备健康监测的风险，减少了可信度。因此振动数据有效性判别在机械设备故障诊断中十分重要。
专利CN 110541795 B：采集风电机组中两个振动加速度传感器X方向和Y方向的振动加速度测量值，设定振动加速度测量值失真判断系数Kp，以此来判断振动数据的有效性。专利CN 113155270 A：针对传感器的接触不良和异常冲击的问题，提出算法进行振动数据有效性的在线校验。专利CN 111319787 B：对振动数据加速度的时域特征值的平稳性进行阈值检测。现有的振动数据有效性研究，仅仅判断了振动数据是否失效，或是基于传感器故障的振动数据有效性判别，没有针对整个振动信号采集***的故障诊断。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术缺乏针对振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障数据的评价指标；
(2)现有的振动数据有效性判别方法，仅判断了振动数据是否失效，或是仅对传感器故障进行诊断，没有对采集***的传感器、线路和采集卡故障进行诊断；
(3)现有技术没有形成从传感器到线路再到采集卡的整体传输链条，成套的信息融合和智能识别的算法。
发明内容
针对现有技术存在的问题，本发明提供了一种多参量自适应融合的振动数据自确认方法、***及终端。
本发明是这样实现的，一种多参量自适应融合的振动数据自确认方法，所述多参量自适应融合的振动数据自确认方法包括：
计算均值、多样性和平稳性三项特征量；使用局部线性嵌入算法对特征量进行数据降维和信息融合；将融合后的数据输入至深度置信神经网络进行训练和测试，实现振动数据自确认。
进一步，所述多参量自适应融合的振动数据自确认方法包括以下步骤：
步骤一，采集故障数据，设置正常、传感器故障、线路故障和线路故障四种状态，并采集数据存储的故障数据库中，以备训练和测试使用；
步骤二，计算各振动数据集的均值、多样性和平稳性三项特征量；根据传感器参数和采集卡参数，计算三项特征量的阈值；
步骤三，根据阈值判断是否为故障数据，并将正常数据剔除，留下故障数据待后续分析；
步骤四，使用局部线性嵌入LLE将三维空间的特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合；
步骤五，将融合后的特征量数据输入深度置信网络DBN中进行训练和测试；
步骤六，在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化；经过数据训练得到振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障对应的数学模型，完成振动数据自确认***的构建；
步骤七，将需要进行诊断的振动数据采集***的信号输入至振动数据自确认***中，***对数据进行处理后，再将处理的结果输入到振动数据自确认***的数学模型中，完成对振动信号采集***的故障类型判别。
进一步，所述步骤二中的计算各振动数据集的均值、多样性和平稳性三项特征量包括：
(1)使用以下公式计算均值：
Figure BDA0003693746320000021
(2)计算多样性：将采集的信号按数值从大到小排列，合并所有大小相同的数据，保留下来的数据个数即为数据多样性指标，记为P2；
(3)根据以下公式计算平稳性：
Figure BDA0003693746320000022
Figure BDA0003693746320000023
Figure BDA0003693746320000024
所述传感器的参数包括精度、量程和输出电压，所述采集卡的参数包括精度、量程和采样频率；
使用以下公式计算均值阈值：
Figure BDA0003693746320000031
使用以下公式计算多样性阈值：
Figure BDA0003693746320000032
使用以下公式计算平稳性阈值，
Figure BDA0003693746320000033
其中，
Figure BDA0003693746320000034
为正常信号的平稳性特征量。
进一步，所述步骤四中的使用局部线性嵌入LLE将三维空间特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合包括：
(1)局部邻域的选取，对于一个给定的数据集：
X＝{x1,x2,…,xN}，xi∈RD；
找到每个样本点xi邻域的k(k<N)个近邻点，利用欧几里得距离公式计算：
Figure BDA0003693746320000035
(2)计算样本点邻域的重构权重，构建局部重建权值矩阵，定义误差函数：
Figure BDA0003693746320000036
其中，xij(j＝1,2,…,k)为xi的k个近邻点；xi与xij之间的权值为wij；限制
Figure BDA0003693746320000037
为限制条件，将误差函数表达式转化为：
Figure BDA0003693746320000038
其中，第i个样本点得到局部协方差矩阵为Zi＝(xi-xij)T(xi-xij)；wi＝[w1,w2,…,wk]T为第i个样本点的局部重建权值，并引入Lagrange乘子来求解此约束问题，则：
Figure BDA0003693746320000039
令Ziwi＝1，重新调整权值，让所述权值的和为1，最终求得wi；
(3)通过得到的权值矩阵W从而找到样本集的低维嵌入Y，将重构误差和函数最小化：
Figure BDA00036937463200000310
对Y加以限制：
Figure BDA00036937463200000311
其中，I表示N维单位矩阵，优化问题则转化为下面的约束优化问题：
Figure BDA0003693746320000041
其中，数据集y等价于求对称、半正定、稀疏的矩阵M的特征向量，得到：
M＝(I-W)T(I-W)；
使用Lagrange乘子法，L(Y)＝YMYT-λ(YYT-NI)，对Y求偏导最小化L(Y)得到：
Figure BDA0003693746320000042
其中，MYT＝λYT，求Y即等价求M的特征向量，从而得到MYT＝λYT，得到的嵌入坐标就是M的特征向量；最小的d个非零特征值所对应的特征向量作为M的值，得到低维坐标Y，特征值所对应的特征向量就是输出的结果；
事实上LLE的整个过程以下公式所示：
Figure BDA0003693746320000043
进一步，所述步骤五中的将融合后的特征量数据输入深度置信网络DBN中进行训练和测试包括：
(1)构建深度置信神经网络DBN；
基于设立计算的能量函数式子，计算得到(v,h)的联合概率分布为：
Figure BDA0003693746320000044
p(v,h|θ)＝e-E(v,h|θ)/Z(θ)；
其中，
Figure BDA0003693746320000045
为配分函数；而RBM所定义的似然函数，p(v|θ)，是设立的联合概率p(v,h|θ)的边缘分布；
由于RBM层内神经元无连接，在根据可见层状态时，隐含层的运行状态和激活也是相对独立的，第j个隐含层节点的激活概率为：
Figure BDA0003693746320000046
其中，σ(x)＝1/(1+e-x)为sigmoid函数；给定隐含层节点的状态，第i个可见层节点的激活概率为：
Figure BDA0003693746320000047
RBM通过迭代的方式训练运行，运行的目标在于研究计算参数θ＝(ωij,ai,bj)的值，通过给定的训练数据和训练样本；通过参数θ计算出极大对数似然函数，训练集样本数目设立为T：
Figure BDA0003693746320000051
(2)DBN的训练过程：将经过LLE参数融合的振动信号数据特征量作为输入，自底向上每次训练一个RBM；在每一层，参数空间ωk都由第k-1层计算得到的数构建，权值按照以下公式进行更新：
Figure BDA0003693746320000052
进一步，所述步骤六中的在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化包括：
(1)ACROA参数及优化问题的初始化，优化问题可以描述为：
Minimizef(x)subjecttoxj∈Dj；
其中，f(x)为优化目标函数，x为决策向量；j＝1,2,3,...,N，其中N为信号长度，Dj为决策向量xj的约束区间；
(2)设定初始反应物和计算焓值或熵值，使用统一种群法将初始的反应物在可行的搜索区间进行均匀的初始化；设置两种初始反应物R0＝(u1,u2,...,un)，R1＝(l1,l2,...,ln)，其中n是初始反应物的数据点数目；初始化分割因子，令k＝1；令分割因子加1，如果分割因子k＝2，那么生成另外两种不同的反应物；如果分割因子的值是k，那么生成2k-2种不同的反应物；如果初始的反应物类别是R，种群大小是P，那么只需满足R<P，连续增加新的反应物到初始的反应物的集合；当R>P时停止，从而初始化得到包含P个反应物的初始种群；
(3)对化学反应过程进行模拟，将合成反应、分解反应、置换反应、复分解反应、氧化还原反应和可逆反应六种化学反应进行编码；
(4)反应物更新：通过对化学平衡进行测试来更新反应物；所有物质的质量不再改变时的状态为平衡状态；平衡状态下令化学***熵增大或焓值减小的生成物作为新的反应物，并排除异常反应物；
(5)判断迭代终止条件：符合条件，算法终止，否则转入步骤(3)；ACORA的终止条件为满足最大迭代次数或焓值最小、熵值最大。
本发明的另一目的在于提供一种应用所述的多参量自适应融合的振动数据自确认方法的多参量自适应融合的振动数据自确认***，所述多参量自适应融合的振动数据自确认***包括：
数据采集模块，用于采集故障数据，设置正常、传感器故障、线路故障和线路故障四种状态，并采集数据存储的故障数据库中，以备训练和测试使用；
特征量计算模块，用于计算各振动数据集的均值、多样性和平稳性三项特征量；根据传感器参数和采集卡参数，计算三项特征量的阈值；根据阈值判断是否为故障数据，并将正常数据剔除，留下故障数据待后续分析；
特征矩阵映射模块，用于使用局部线性嵌入LLE将三维空间的特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合；
输入参数优化模块，用于将融合后的特征量数据输入深度置信网络DBN中进行训练和测试；
自确认***构建模块，在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化；经过数据训练得到振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障对应的数学模型，完成振动数据自确认***的构建；
故障类型判别模块，用于将需要进行诊断的振动数据采集***的信号输入至振动数据自确认***中，***对数据进行处理后，再将处理的结果输入到振动数据自确认***的数学模型中，完成对振动信号采集***的故障类型判别。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
计算均值、多样性和平稳性三项特征量；使用局部线性嵌入算法对特征量进行数据降维和信息融合；将融合后的数据输入至深度置信神经网络进行训练和测试，实现振动数据自确认。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
计算均值、多样性和平稳性三项特征量；使用局部线性嵌入算法对特征量进行数据降维和信息融合；将融合后的数据输入至深度置信神经网络进行训练和测试，实现振动数据自确认。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的多参量自适应融合的振动数据自确认***。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明提出了一种多参量自适应融合的振动数据自确认方法及***，融合了均值、多样性和平稳性三项特征量，针对采集***的采集卡故障、传感器故障和线路故障进行了有效诊断，并将大量数据输入到深度置信神经网络进行训练和测试，最终实现振动数据有效性的自确认，确保采集的数据是对机械设备运行状态的真实反应，为机械设备的健康监测提供有效保障。该***具有以下优点：
1.首次采用均值阈值、多样性阈值和平稳性阈值三个参量用于评估振动数据质量，智能识别振动信号整体采集链路的故障类型，包括采集卡、传感器和线路故障。
2.运用局部线性嵌入法融合多维参量矩阵，针对振动信号这样一种高维、非线性数据，实现了降维和特征提取，提升运算速度和计算精度。
3.使用人工化学反应优化算法对深度置信网络的输入参数进行优化，最后通过对深度置信网络进行大量训练和测试，实现了对振动数据采集***的智能诊断。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
针对现有技术的缺点，本发明提出了一种多参量自适应融合的振动数据自确认方法及***，攻克了基于多参量自适应融合的采集***自诊断与维护技术。
本发明具采用均值阈值、多样性阈值和平稳性阈值三项特征量用于振动数据质量的评估，运用局部线性嵌入算法融合这三项特征量，输入到深度置信网络DBN中进行训练和测试，并使用人工化学反应优化算法ACROA对DBN的参数进行优化，最终建立起对应的数学模型。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案填补了国内外业内技术空白：
本发明首次采用了均值阈值、多样性阈值和平稳性阈值，对振动信号的失真与否先行判断，确保采集到的振动信号是对被测设备状态的真实反应。
与以往仅对振动信号单一失真形式的诊断不同，本发明提供一套针对整个振动信号采集***故障诊断的方法，填补了对整个振动信号采集***诊断的空白。
(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：
本发明不仅对工业互联网振动数据的有效性进行判别，且对振动数据采集***的传感器、线路和采集卡进行故障诊断，解决了人们渴望解决、但始终未能获得成功的技术难题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的多参量自适应融合的振动数据自确认方法流程图；
图2是本发明实施例提供的多参量自适应融合的振动数据自确认方法原理图；
图3是本发明实施例提供的多参量自适应融合的振动数据自确认***结构框图；
图4是本发明实施例提供的ACROA流程图；
图5是本发明实施例提供的各数据集的时域波形图；
图5(a)是本发明实施例提供的数据集1的时域波形图；
图5(b)是本发明实施例提供的数据集2的时域波形图；
图5(c)是本发明实施例提供的数据集3的时域波形图；
图5(d)是本发明实施例提供的数据集4的时域波形图；
图6是本发明实施例提供的各数据集的三项指标示意图；
图6(a)是本发明实施例提供的数据集1的三项特征量示意图；
图6(b)是本发明实施例提供的数据集2的三项特征量示意图；
图6(c)是本发明实施例提供的数据集3的三项特征量示意图；
图6(d)是本发明实施例提供的数据集4的三项特征量示意图；
图7是本发明实施例提供的各数据集的参数融合示意图；
图7(a)是本发明实施例提供的数据集2的参数融合示意图；
图7(b)是本发明实施例提供的数据集3的参数融合示意图；
图7(c)是本发明实施例提供的数据集4的参数融合示意图；
图8是本发明实施例提供的振动信号采集***故障分类图；
图中：1、数据采集模块；2、特征量计算模块；3、特征矩阵映射模块；4、输入参数优化模块；5、自确认***构建模块；6、故障类型判别模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种多参量自适应融合的振动数据自确认方法、***及终端，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
具体地，如图1所示，本发明实施例提供的多参量自适应融合的振动数据自确认方法包括以下步骤：
S101，计算均值、多样性和平稳性三项特征量；
S102，使用局部线性嵌入算法LLE对三项特征量进行数据降维和信息融合；
S103，将融合后的特征量输入至深度置信神经网络中进行训练和测试，实现振动数据的自确认。
如图2所示，作为优选实施例，本发明实施例提供的多参量自适应融合的振动数据自确认方法具体包括以下步骤：
1、振动信号采集***故障介绍和各指标报警阈值计算
1.1振动信号采集***故障形式
振动信号采集***在正常的机械***工作过程中，可能因为制造问题导致存在缺陷，由于运转环境恶劣而导致零件腐蚀，因振动问题导致的接线松动等。采集***在正常工作情况下也会因为寿命问题导致出现精度下降等问题。采集***的故障将会严重影响振动信号的可靠性，进而影响对机械***的故障诊断。经研究，振动信号采集***的主要故障形式有以下几种：采集卡芯片精度低故障、线路故障和传感器芯片绝缘故障。
1.2振动信号采集***三项指标和报警阈值计算
均值指标：
Figure BDA0003693746320000091
多样性指标：将采集的信号按数值从大到小排列，合并所有大小相同的数据，保留下来的数据个数即为数据多样性指标，记为P2；
平稳性指标：
Figure BDA0003693746320000092
Figure BDA0003693746320000093
Figure BDA0003693746320000094
根据传感器的参数：精度、量程、输出电压，以及采集卡参数：精度、量程、采样频率，计算三个指标的阈值。
均值阈值：
Figure BDA0003693746320000101
多样性阈值：
Figure BDA0003693746320000102
平稳性阈值：
Figure BDA0003693746320000103
实验过程：实验数据来源于实验室采集的轴承振动信号，由24BIT高精度振动加速度传感器、采集卡、轴承装置、联轴器、减速箱交流电机组成振动数据自确认实验台。以1KHz为采样频率，在采集***上分别设置的采集卡精度低、传感器芯片绝缘故障、线路故障和正常无故障四种状态，采集四种状态的数据，存入故障数据库，以备后续使用。
2、采集***故障特征提取方法
高维数据处理的研究，因其在航天遥感数据、生物数据、网络数据以及金融市场交易数据等领域的广泛应用，而受到普遍重视。由于众所周知的“维数灾祸”(curses ofdimensionality)问题，通常对于高维数据的处理，如图像分类、模式识别等，存在着种种困难。一种常用的做法是在保持数据所含感兴趣信息的前提下，尽可能降低数据的维数，即降维。现已有许多可行的线性降维方法，如主成分分析PCA、多维尺度分析MDS、线性奇异分析LDA等，它们主要研究在高维空间中如何设计线性模型的特征向量，它们的优势是运算快捷、方便，并能产生简单的变换函数，对线性结构效果好，但是对于某些数据而言，其所携带的信息呈现某种“非线性性”，如振动信号数据，使得线性方法失效。局部线性嵌入LLE(Locally Linear Embedding)是一种非线性算法，通过在高维空间中设计数据集所在流形的拓扑、几何等特性，很好地弥补了线性降维不能发现数据集非线性结构的不足。
2.1局部线性嵌入LLE的主要思想
在一组高维数据集当中，应该保持数据局部邻域间的关系在高维空间与内在低维空间保持不变，简而言之，就是高维数据空间中的样本点都可以利用局部领域的点来线性表示，并保持局部领域权值不变，重新构造原来的数据点，从而使得重构误差达到最小。
LLE的具体做法是：设X＝{x1,x2,…,xN}是为高维欧式空间RD中数据集。数据集处于本征维数为d(d<D，一般情况下是d<<D)的低维空间。如何找到X的一个低维嵌入映射是本发明研究的目的，从而使得它能映射到一个低维的嵌入空间RD上，同时使得数据携带的信息不流失，保护了良好的结构性质。因此，设RD上的一个低维嵌入空间为Y＝{y1,y2,…,yN}。
2.2局部线性嵌入的算法
LLE的算法主要可以分为以下几步：
第1步：局部邻域的选取，假设对于一个给定的数据集；
X＝{x1,x2,…,xN}，xi∈RD(8)
找到每个样本点xi邻域的k(k<N)个近邻点，利用欧几里得距离公式计算：
Figure BDA0003693746320000111
第2步：计算样本点邻域的重构权重，构建一个局部重建权值矩阵，并定义一个误差函数：
Figure BDA0003693746320000112
其中：xij(j＝1,2,…,k)为xi的k个近邻点；xi与xij之间的权值为wij。为了更好的研究，限制
Figure BDA0003693746320000113
为限制条件，从而保证了重构与坐标的平移、旋转和缩放等的无关性，将式(10)可转化为：
Figure BDA0003693746320000114
其中：第i个样本点得到局部协方差矩阵为Zi＝(xi-xij)T(xi-xij)；wi＝[w1,w2,…,wk]T为第i个样本点的局部重建权值。并且引入Lagrange乘子来求解此约束问题，那么有：
Figure BDA0003693746320000115
将问题简单化，从而令Ziwi＝1，然后重新调整权值，让它们的和为1最终求得wi。
第3步：通过得到的权值矩阵W从而找到样本集的低维嵌入Y。将重构误差和函数最小化：
Figure BDA0003693746320000116
为了避免数据集在低维空间中坍塌到坐标原点和固定Y，对Y加以限制：
Figure BDA0003693746320000117
I表示N维单位矩阵，那么，优化问题则转化为下面的约束优化问题：
Figure BDA0003693746320000118
其中，上述数据集y等价于求一个对称、半正定、稀疏的矩阵M的特征向量，得到：
M＝(I-W)T(I-W) (16)
使用Lagrange乘子法，L(Y)＝YMYT-λ(YYT-NI)，对Y求偏导最小化L(Y)得到：
Figure BDA0003693746320000119
所以本发明可以有MYT＝λYT，即求Y即等价求M的特征向量。从而得到MYT＝λYT，本发明要得到的嵌入坐标就为M的特征向量。最小的d个非零特征值所对应的特征向量作为M的值，即得到低维坐标Y。即它的特征值所对应的特征向量就为输出的结果。
综上所述：事实上LLE的整个过程就是：
Figure BDA0003693746320000121
3、采集***故障智能模式识别
在LLE对特征量进行降维并融合后，将故障数据用于测试和深度置信网络的训练，利用深度置信网络对故障特征信息进行分类训练，同时结合ACROA对深度置信网络进行参数优化，构建数学模型，完成对采集***采集到的所有振动信号数据进行智能诊断和分类处理。
3.1人工化学反应优化算法
化学反应及优化问题之间有着一些内在的联系。两者都是一个寻找最小值的过程，而且都是阶梯式的演化过程。在这个共同点的理论基础上可以发展出一种在模拟化学反应过程基础上所提出的启发式算法，从而解决优化问题。基于此，通过寻找能量较低的分子并模拟化学反应过程中分子间的运动，得到了ACROA方法。化学反应的目标是获得一个最小能量状态。因此，化学反应的实质是能量释放的过程。在化学反应的初期，分子的运动比较剧烈，反应物的能量较高，在一系列化学反应过程以后分子会趋于稳定，从而达到最低能量状态。ACROA方法将焓和熵作为优化目标函数，通过模拟化学反应分子的运动来解决全局和局部搜索优化问题。假设在固定容积的容器中有N种不同种类的化学反应物，这些化学反应物可以通过M种方式进行化学反应。将反应物以一定的方式进行编码，不同的编码对应不同的反应规则，反应规则代表着化学反应物之间的相互作用。ACROA的提出基于六种主要的化学反应：合成反应、分解反应、置换反应、复分解反应、氧化还原反应和可逆反应。
ACROA的基本思想是首先设定初始反应物，然后基于反应物的浓度和势能来选择反应物，并通过化学反应消耗或者产生反应物，并根据目标函数对反应物种群进行自适应的更新及选择。当没有新反应物生成，且化学反应的熵值达最大的时候，满足最大迭代次数或迭代终止条件时，终止运算。ACROA如下所示：
(1)算法参数及优化问题的初始化，优化问题可以描述为：
Minimize f(x)subject to xj∈Dj (19)
其中f(x)为优化目标函数，x为决策向量。j＝1,2,3,...,N，其中N为信号长度，Dj为决策向量xj的约束区间。
(2)设定初始反应物和计算焓值或熵值。在这一阶段，使用统一种群法将初始的反应物在可行的搜索区间进行均匀的初始化。首先设置两种初始反应物R0＝(u1,u2,...,un)，R1＝(l1,l2,...,ln)，其中n是初始反应物的数据点数目。此时，初始化分割因子，即令k＝1。然后令分割因子加1，如果分割因子k＝2，那么生成另外两种不同的反应物。如果分割因子的值是k，那么生成2k-2种不同的反应物。如果初始的反应物类别是R，种群大小是P。那么只需满足R<P，连续增加新的反应物到初始的反应物的集合，当R>P时停止，从而可以初始化得到包含P个反应物的初始种群。
(3)对化学反应过程进行模拟，即将上述的六种化学反应进行编码。
(4)反应物更新。通过对化学平衡进行测试来更新反应物。所有物质的质量不再改变时的状态为平衡状态。平衡状态下令化学***熵增大或焓值减小的生成物作为新的反应物，并排除异常反应物。
(5)判断迭代终止条件。符合条件，算法终止，否则转人步骤(3)。ACROA的终止条件为满足最大迭代次数或焓值最小、熵值最大。
ACROA的流程图如图4所示。ACROA方法的初始值设置简单，只需要对初始种群大小和最大迭代次数进行设置，且无需使用适应度函数来评价个体的优劣程度，因此具有更好的自适应性并且运算速度更快。同时ACROA方法具有较好的鲁棒性且适合应用于机械振动信号的处理。
3.2、深度置信网络
深度置信网络(deep belief network，DBN)是一种有多隐含层的深层神经网络，由一系列限制玻耳兹曼机(restricted boltzmann machine，RBM)堆叠而成。每一个RBN单元由隐性的神经元层和显性的神经元层组成，显性的神经元层也称为可视层，隐性的神经元层称为隐含层，这两层神经网络可以分别用v和h表示，可视层和隐含层通过权重矩阵ωij双向相连，同时设置两个偏置向量a和b。除此外，层次内部之间无连接，保证了隐含层神经元的运行状态，与之对应的是，可视层神经元的激活条件与隐含神经元的激活相互独立，反之亦然。
Figure BDA0003693746320000131
基于设立计算的能量函数式子，可计算得到(v,h)的联合概率分布为：
p(v,h|θ)＝e-E(v,h|θ)/Z(θ) (21)
其中
Figure BDA0003693746320000132
为配分函数。而RBM所定义的似然函数，即p(v|θ)，它是设立的联合概率p(v,h|θ)的边缘分布。
由于RBM层内神经元无连接，在根据可见层状态时，隐含层的运行状态和激活也是相对独立的，此时，第j个隐含层节点的激活概率为：
Figure BDA0003693746320000133
其中，σ(x)＝1/(1+e-x)为sigmoid函数。类似的，给定隐含层节点的状态，第i个可见层节点的激活概率为：
Figure BDA0003693746320000141
RBM通过迭代的方式训练运行，运行的目标在于研究计算参数θ＝(ωij,ai,bj)的值，通过给定的训练数据和训练样本。通过参数θ计算出极大对数似然函数，训练集样本数目设立为T，即：
Figure BDA0003693746320000142
3.3深度置信网络的训练过程
多个RBM堆叠组成了DBN的结构本质，并且这些RBM还构成了DBN的各个层次。因此，在无监督的逐层次训练中，输入的数据经底层的RBM学习后，其输出结果作为高一层RBM的输入，依次逐层传递，从而在高层形成比低层更抽象和更具有表征能力的特征表示。正是DBN这种逐层学习的思想，使得DBN可直接通过原始数据对故障进行分类识别。
将经过LLE参数融合的振动信号数据特征量作为输入，自底向上每次训练一个RBM。在每一层，参数空间ωk都由第k-1层计算得到的数构建，单元的状态按照公式(20)和公式(21)进行计算，权值按照公式(25)进行更新。
Figure BDA0003693746320000143
在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数等参数进行优。
如图3所示，本发明实施例提供的多参量自适应融合的振动数据自确认***包括：
数据采集模块1，用于采集故障数据，设置正常、传感器故障、线路故障和线路故障四种状态，并采集数据存储的故障数据库中，以备训练和测试使用；
特征量计算模块2，用于计算各振动数据集的均值、多样性和平稳性三项特征量；根据传感器参数和采集卡参数，计算三项特征量的阈值；根据阈值判断是否为故障数据，并将正常数据剔除，留下故障数据待后续分析；
特征矩阵映射模块3，用于使用局部线性嵌入LLE将三维空间的特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合；
输入参数优化模块4，用于将融合后的特征量数据输入深度置信网络DBN中训练和测试；
自确认***构建模块5，在DBN训练的过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化；经过数据训练得到振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障对应的数学模型，完成振动数据自确认***的构建；
故障类型判别模块6，用于将需要进行诊断的振动数据采集***的信号输入至振动数据自确认***中，***对数据进行处理后，再将处理的结果输入到振动数据自确认***的数学模型中，完成对振动信号采集***的故障类型判别。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明的技术方案以某钢厂天车电机振动信号采集***为研究对象，并运用所提出的技术方案实现对振动信号采集***的故障识别。通过将采集***布置到天车电机上，采集振动信号。针对信号的均值、多样性和平稳性三项特征量，对信号进行初步判断。将故障信号的三项特征量使用局部线性嵌入LLE进行数据降维和信息融合，再将结果输入到深度置信网络DBN中进行训练和测试，测试结果说明对于采集***的故障识别工作，本发明的技术方案能够达到很高的识别精度。表明本发明的技术方案具有一定的工程实际意义和较高的技术价值。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
以某钢厂的天车振动信号采集为例，该天车振动信号采集***使用24BIT高精度振动加速度传感器，对振动信号进行采集。采样频率fs根据公式(27)计算，其中转频fr＝100Hz。
fs＝10×fr＝10×100＝1000Hz (27)
最低分析频率fmin由设备最低特征频率fc(min)和市电基频fe决定：
fmin＝min(fc,fe)＝min(2,50)＝2Hz (28)
计算每个样本的数据点数量：
Figure BDA0003693746320000151
datapoints≥10Tmax·fs＝10×0.5×1000＝5000 (30)
所以，振动信号采集***的采样频率为1KHz，每个样本的数据点个数为5K，即每个样本需要5s数据。设置无故障、传感器芯片短路、采集卡精度低和线路故障四种状态，每种状态各采集350s数据，其中200s数据作为训练样本，即40个训练样本，150s的数据作为测试样本，即30个测试样本，其时域波形图如图5所示；图5(a)是数据集1的时域波形图，图5(b)是数据集2的时域波形图，图5(c)是数据集3的时域波形图，图5(d)是数据集4的时域波形图。
表1 四种状态设置
Figure BDA0003693746320000161
首先计算所有数据的三个特征量：均值、多样性、平稳性。
均值：
Figure BDA0003693746320000162
多样性：将采集的信号按数值从大到小排列，合并所有大小相同的数据，保留下来的数据个数即为数据多样性。记为P2；
平稳性：
Figure BDA0003693746320000163
Figure BDA0003693746320000164
Figure BDA0003693746320000165
各数据集的三项特征量如图6所示；图6(a)是数据集1的三项特征量示意图，图6(b)是数据集2的项特征量示意图，图6(c)是数据集3的三项特征量示意图，图6(d)是数据集4的三项特征量示意图。
根据传感器的参数：精度、量程、输出电压，以及采集卡参数：精度、量程、采样频率，计算三个特征量的阈值。
均值阈值：
Figure BDA0003693746320000166
多样性阈值：
Figure BDA0003693746320000167
平稳性阈值:
Figure BDA0003693746320000168
其中P3为数据集1的平稳性特征量
经过对阈值的初步判断，只有数据集1，即正常无故障数据集的三项特征量均未超过对应阈值，因此将故障数据集2、3、4的数据作为样本供后续使用。
首先将数据集2、3、4的三个特征量使用局部线性嵌入LLE，将三维空间的特征矩阵映射到一个低维的嵌入空间RD上，实现特征量的数据降维和参数融合，结果如图7所示；图7(a)是数据集2的参数融合示意图，图7(b)是数据集3的参数融合示意图，图7(c)是数据集4的参数融合示意图。
将经过LLE参数融合后的数据和未进行融合的数据，各选取200s分别输入到DBN中进行训练，形成对照组，并使用ACROA对DBN的参数：节点数，层数，隐藏层和输出层的偏置a、b进行优化，经过训练构建数学模型，实现对振动信号采集***故障的智能诊断。
通过测试样本对两种训练模型的精度进行比较，如图8所示。在90组测试样本中，使用LLE对特征量进行融合后的DBN对振动信号采集***的故障识别结果仅有3处错误，准确率达96.7％。而未使用LLE融合进行特征融合的DBN故障识别结果中有11处错误，准确度仅为87.8％。因此使用LLE对特征量进行参数融合后，能大幅提高DBN对故障类型识别的准确率，实现对振动信号采集***故障的智能诊断。
表2 振动数据自确认中深度学习的准确率
Figure BDA0003693746320000171
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种多参量自适应融合的振动数据自确认方法，其特征在于，所述多参量自适应融合的振动数据自确认方法包括：
计算均值、多样性和平稳性三项特征量；使用局部线性嵌入算法对特征量进行数据降维和信息融合；将融合后的数据输入至深度置信神经网络进行训练和测试，实现振动数据自确认。
2.如权利要求1所述的多参量自适应融合的振动数据自确认方法，其特征在于，所述多参量自适应融合的振动数据自确认方法包括以下步骤：
步骤一，采集故障数据，设置正常、传感器故障、线路故障和线路故障四种状态，并采集数据存储的故障数据库中，以备训练和测试使用；
步骤二，计算各振动数据集的均值、多样性和平稳性三项特征量；根据传感器参数和采集卡参数，计算三项特征量的阈值；
步骤三，根据阈值判断是否为故障数据，并将正常数据剔除，留下故障数据待后续分析；
步骤四，使用局部线性嵌入LLE将三维空间的特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合；
步骤五，将融合后的特征量数据输入深度置信网络DBN中训练和测试，
步骤六，在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化；经过数据训练得到振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障对应的数学模型，完成振动数据自确认***的构建；
步骤七，将需要进行诊断的振动数据采集***的信号输入至振动数据自确认***中，***对数据进行处理后，再将处理的结果输入到振动数据自确认***的数学模型中，完成对振动信号采集***的故障类型判别。
3.如权利要求2所述的多参量自适应融合的振动数据自确认方法，其特征在于，所述步骤二中的计算各振动数据集的均值、多样性和平稳性三项特征量包括：
(1)使用以下公式计算均值：
Figure FDA0003693746310000011
(2)计算多样性：将采集的信号按数值从大到小排列，合并所有大小相同的数据，保留下来的数据个数即为数据多样性指标，记为P2；
(3)根据以下公式计算平稳性：
Figure FDA0003693746310000012
Figure FDA0003693746310000013
Figure FDA0003693746310000021
所述传感器的参数包括精度、量程和输出电压，所述采集卡的参数包括精度、量程和采样频率；
使用以下公式计算均值阈值：
Figure FDA0003693746310000022
使用以下公式计算多样性阈值：
Figure FDA0003693746310000023
使用以下公式计算平稳性阈值，
Figure FDA0003693746310000024
其中，
Figure FDA0003693746310000025
为正常信号的平稳性特征量。
4.如权利要求2所述的多参量自适应融合的振动数据自确认方法，其特征在于，所述步骤四中的使用局部线性嵌入LLE将三维空间特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合包括：
(1)局部邻域的选取，对于一个给定的数据集：
X＝{x1,x2,…,xN}，xi∈RD；
找到每个样本点xi邻域的k(k<N)个近邻点，利用欧几里得距离公式计算：
Figure FDA0003693746310000026
(2)计算样本点邻域的重构权重，构建局部重建权值矩阵，定义误差函数：
Figure FDA0003693746310000027
其中，xij(j＝1,2,…,k)为xi的k个近邻点；xi与xij之间的权值为wij；限制
Figure FDA0003693746310000028
为限制条件，将误差函数表达式转化为：
Figure FDA0003693746310000029
其中，第i个样本点得到局部协方差矩阵为Zi＝(xi-xij)T(xi-xij)；wi＝[w1,w2,…,wk]T为第i个样本点的局部重建权值，并引入Lagrange乘子来求解此约束问题，则：
Figure FDA00036937463100000210
令Ziwi＝1，重新调整权值，让所述权值的和为1，最终求得wi；
(3)通过得到的权值矩阵W从而找到样本集的低维嵌入Y，将重构误差和函数最小化：
Figure FDA00036937463100000211
对Y加以限制：
Figure FDA0003693746310000031
其中，I表示N维单位矩阵，优化问题则转化为下面的约束优化问题：
Figure FDA0003693746310000032
其中，数据集y等价于求对称、半正定、稀疏的矩阵M的特征向量，得到：
M＝(I-W)T(I-W)；
使用Lagrange乘子法，L(Y)＝YMYT-λ(YYT-NI)，对Y求偏导最小化L(Y)得到：
Figure FDA0003693746310000033
其中，MYT＝λYT，求Y即等价求M的特征向量，从而得到MYT＝λYT，得到的嵌入坐标就是M的特征向量；最小的d个非零特征值所对应的特征向量作为M的值，得到低维坐标Y，特征值所对应的特征向量就是输出的结果；
事实上LLE的整个过程以下公式所示：
Figure FDA0003693746310000034
5.如权利要求2所述的多参量自适应融合的振动数据自确认方法，其特征在于，所述步骤五中的将融合后的特征量数据输入深度置信网络DBN中进行训练和测试包括：
(1)构建深度置信神经网络DBN；
基于设立计算的能量函数式子，计算得到(v,h)的联合概率分布为：
Figure FDA0003693746310000035
p(v,h|θ)＝e-E(v,h|θ)/Z(θ)；
其中，
Figure FDA0003693746310000036
为配分函数；而RBM所定义的似然函数，p(v|θ)，是设立的联合概率p(v,h|θ)的边缘分布；
由于RBM层内神经元无连接，在根据可见层状态时，隐含层的运行状态和激活也是相对独立的，第j个隐含层节点的激活概率为：
Figure FDA0003693746310000037
其中，σ(x)＝1/(1+e-x)为sigmoid函数；给定隐含层节点的状态，第i个可见层节点的激活概率为：
Figure FDA0003693746310000041
RBM通过迭代的方式训练运行，运行的目标在于研究计算参数θ＝(ωij,ai,bj)的值，通过给定的训练数据和训练样本；通过参数θ计算出极大对数似然函数，训练集样本数目设立为T：
Figure FDA0003693746310000042
(2)DBN的训练过程：将经过LLE参数融合的振动信号数据特征量作为输入，自底向上每次训练一个RBM；在每一层，参数空间ωk都由第k-1层计算得到的数构建，权值按照以下公式进行更新：
Figure FDA0003693746310000043
6.如权利要求2所述的多参量自适应融合的振动数据自确认方法，其特征在于，所述步骤六中的在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化包括：
(1)ACROA参数及优化问题的初始化，优化问题可以描述为：
Minimizef(x)subjecttoxj∈Dj；
其中，f(x)为优化目标函数，x为决策向量；j＝1,2,3,...,N，其中N为信号长度，Dj为决策向量xj的约束区间；
(2)设定初始反应物和计算焓值或熵值，使用统一种群法将初始的反应物在可行的搜索区间进行均匀的初始化；设置两种初始反应物R0＝(u1,u2,...,un)，R1＝(l1,l2,...,ln)，其中n是初始反应物的数据点数目；初始化分割因子，令k＝1；令分割因子加1，如果分割因子k＝2，那么生成另外两种不同的反应物；如果分割因子的值是k，那么生成2k-2种不同的反应物；如果初始的反应物类别是R，种群大小是P，那么只需满足R<P，连续增加新的反应物到初始的反应物的集合；当R>P时停止，从而初始化得到包含P个反应物的初始种群；
(3)对化学反应过程进行模拟，将合成反应、分解反应、置换反应、复分解反应、氧化还原反应和可逆反应六种化学反应进行编码；
(4)反应物更新：通过对化学平衡进行测试来更新反应物；所有物质的质量不再改变时的状态为平衡状态；平衡状态下令化学***熵增大或焓值减小的生成物作为新的反应物，并排除异常反应物；
(5)判断迭代终止条件：符合条件，算法终止，否则转入步骤(3)；ACORA的终止条件为满足最大迭代次数或焓值最小、熵值最大。
7.一种应用如权利要求1～6任意一项所述的多参量自适应融合的振动数据自确认方法的多参量自适应融合的振动数据自确认***，其特征在于，所述多参量自适应融合的振动数据自确认***包括：
数据采集模块，用于采集故障数据，设置正常、传感器故障、线路故障和线路故障四种状态，并采集数据存储的故障数据库中，以备训练和测试使用；
特征量计算模块，用于计算各振动数据集的均值、多样性和平稳性三项特征量；根据传感器参数和采集卡参数，计算三项特征量的阈值；根据阈值判断是否为故障数据，并将正常数据剔除，留下故障数据待后续分析；
特征矩阵映射模块，用于使用局部线性嵌入LLE将三维空间的特征矩阵映射到低维的嵌入空间RD上，将各样本的三项特征量进行数据降维和参数融合；
输入参数优化模块，用于将融合后的特征量数据输入深度置信网络DBN中进行训练和测试；
自确认***构建模块，在DBN的训练过程中，使用ACROA对DBN的可视层与隐藏层的偏置a、b，网络层数和节点数的参数进行优化；经过数据训练得到振动信号采集***的传感器故障、线路故障和采集卡故障，三种故障对应的数学模型，完成振动数据自确认***的构建；
故障类型判别模块，用于将需要进行诊断的振动数据采集***的信号输入至振动数据自确认***中，***对数据进行处理后，再将处理的结果输入到振动数据自确认***的数学模型中，完成对振动信号采集***的故障类型判别。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～6任意一项所述的多参量自适应融合的振动数据自确认方法。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～6任意一项所述的多参量自适应融合的振动数据自确认方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的多参量自适应融合的振动数据自确认***地功能。
CN202210668145.3A 2022-06-14 2022-06-14 多参量自适应融合的振动数据自确认方法、***及终端 Pending CN115034307A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210668145.3A CN115034307A (zh) 2022-06-14 2022-06-14 多参量自适应融合的振动数据自确认方法、***及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210668145.3A CN115034307A (zh) 2022-06-14 2022-06-14 多参量自适应融合的振动数据自确认方法、***及终端

Publications (1)

Publication Number Publication Date
CN115034307A true CN115034307A (zh) 2022-09-09

Family

ID=83124627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210668145.3A Pending CN115034307A (zh) 2022-06-14 2022-06-14 多参量自适应融合的振动数据自确认方法、***及终端

Country Status (1)

Country Link
CN (1) CN115034307A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测***及方法
CN116484263B (zh) * 2023-05-10 2024-01-05 江苏圣骏智能科技有限公司 一种智能化自助机故障检测***及方法

Similar Documents

Publication Publication Date Title
Hakim et al. A systematic review of rolling bearing fault diagnoses based on deep learning and transfer learning: Taxonomy, overview, application, open challenges, weaknesses and recommendations
Sun et al. Review of bridge structural health monitoring aided by big data and artificial intelligence: From condition assessment to damage detection
Zheng et al. A new unsupervised data mining method based on the stacked autoencoder for chemical process fault diagnosis
Iqbal et al. Fault detection and isolation in industrial processes using deep learning approaches
US20230094389A1 (en) Quantum computing based deep learning for detection, diagnosis and other applications
Wu et al. A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions
CN114509266B (zh) 一种基于故障特征融合的轴承健康监测方法
CN111382542A (zh) 一种面向全寿命周期的公路机电设备寿命预测***
CN116881832B (zh) 旋转机械设备故障诊断模型的构建方法及装置
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
Maniak et al. Hierarchical spatial-temporal state machine for vehicle instrument cluster manufacturing
Wang et al. Attention-aware temporal–spatial graph neural network with multi-sensor information fusion for fault diagnosis
CN115096627A (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及***
CN115757103A (zh) 基于树结构的神经网络测试用例生成方法
CN117349583A (zh) 用于低温液体储罐的智能检测方法及***
CN115034307A (zh) 多参量自适应融合的振动数据自确认方法、***及终端
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
Yu et al. MAG: A novel approach for effective anomaly detection in spacecraft telemetry data
Lou et al. Recent deep learning models for diagnosis and health monitoring: A review of research works and future challenges
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN117041972A (zh) 基于信道-时空注意自编码的车联网传感器异常检测方法
CN116739100A (zh) 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法
Tian et al. Cross-task fault diagnosis based on deep domain adaptation with local feature learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication