CN116109897B - 基于空域图像融合的机器鱼传感器故障检测方法及装置 - Google Patents
基于空域图像融合的机器鱼传感器故障检测方法及装置 Download PDFInfo
- Publication number
- CN116109897B CN116109897B CN202310394870.0A CN202310394870A CN116109897B CN 116109897 B CN116109897 B CN 116109897B CN 202310394870 A CN202310394870 A CN 202310394870A CN 116109897 B CN116109897 B CN 116109897B
- Authority
- CN
- China
- Prior art keywords
- fusion
- fault
- robot fish
- picture
- wolf
- 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.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 207
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 241000282461 Canis lupus Species 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 82
- YLOCGHYTXIINAI-XKUOMLDTSA-N (2s)-2-amino-3-(4-hydroxyphenyl)propanoic acid;(2s)-2-aminopentanedioic acid;(2s)-2-aminopropanoic acid;(2s)-2,6-diaminohexanoic acid Chemical compound C[C@H](N)C(O)=O.NCCCC[C@H](N)C(O)=O.OC(=O)[C@@H](N)CCC(O)=O.OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 YLOCGHYTXIINAI-XKUOMLDTSA-N 0.000 claims description 52
- 108010072051 Glatiramer Acetate Proteins 0.000 claims description 52
- 229940042385 glatiramer Drugs 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 20
- 241000282421 Canidae Species 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本申请提供一种基于空域图像融合的机器鱼传感器故障检测方法及装置,涉及人工智能领域。所述方法包括:基于第一融合系数以及机器鱼的传感器数据生成融合图片;将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果。本申请提供的基于空域图像融合的机器鱼传感器故障检测方法及装置,通过将机器鱼传感器的一维时序信号转为二维图片,并通过灰狼算法的多次迭代确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种基于空域图像融合的机器鱼传感器故障检测方法及装置。
背景技术
相比于传统的水下螺旋桨推进器,机器鱼具有低噪声、高机动、高效率等优点。机器鱼通常工作在急流、狭窄等非结构化的恶劣环境下,恶劣的环境增大了故障发生的概率,尤其是安装在鱼体表面的传感器,容易因与外界碰撞而发生故障;另外,机器鱼因其机械结构复杂和控制***非线性强的特征,子***的故障会引发连锁反应,对整个***造成毁灭性的影响。
受限于机器鱼空间、质量和功耗的约束,机器鱼内部所配置传感器的冗余度不高。特别地,深度传感器易因浑浊水质中杂质堵塞、机器鱼碰撞等意外情况而发生故障,利用深度传感器数据进行故障检测具有重大的实际意义。深度传感器采集的是时序信号,直接处理时序信号能够捕捉短时相关性,但难以提取全局相关性,这会导致故障检测的准确度低。
发明内容
本申请实施例提供一种基于空域图像融合的机器鱼传感器故障检测方法及装置,用以解决相关技术中对机器鱼传感器的故障检测准确度低的技术问题。
第一方面,本申请实施例提供一种基于空域图像融合的机器鱼传感器故障检测方法,包括:
基于第一融合系数以及机器鱼的传感器数据生成融合图片;
将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
在一些实施例中,所述方法还包括:
获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
在一些实施例中,所述方法还包括:
获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
在一些实施例中,所述基于第一融合系数以及机器鱼的传感器数据生成融合图片,包括:
将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
在一些实施例中,所述将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片,包括:
将机器鱼的传感器数据转换为极坐标系下的数据;
基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
在一些实施例中,所述方法还包括:
利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
在一些实施例中,所述方法还包括:
对机器鱼的传感器数据进行归一化处理。
在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
第二方面,本申请实施例还提供一种基于空域图像融合的机器鱼传感器故障检测装置,包括:
第一生成模块,用于基于第一融合系数以及机器鱼的传感器数据生成融合图片;
第一获取模块,用于将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
在一些实施例中,所述装置还包括:
第一确定模块,用于获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
第一训练模块,用于基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
第二确定模块,用于在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
在一些实施例中,所述装置还包括:
第一划分模块,用于获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
第一检验模块,用于在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
在一些实施例中,所述第一生成模块包括第一转换子模块,第一融合子模块,其中:
所述第一转换子模块用于将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
所述第一融合子模块用于基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
在一些实施例中,所述第一获取模块包括第二转换子模块,第一确定子模块,其中:
所述第二转换子模块用于将机器鱼的传感器数据转换为极坐标系下的数据;
所述第一确定子模块用于基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
在一些实施例中,所述装置还包括:
第一扩增模块,用于利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
在一些实施例中,所述装置还包括:
第一处理模块,用于对机器鱼的传感器数据进行归一化处理。
在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
第三方面,本申请实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于空域图像融合的机器鱼传感器故障检测方法。
第四方面,本申请实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于空域图像融合的机器鱼传感器故障检测方法。
第五方面,本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于空域图像融合的机器鱼传感器故障检测方法。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法及装置,通过将机器鱼传感器的一维时序信号转为二维图片,并通过灰狼算法的多次迭代确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法的流程示意图;
图2是本申请实施例提供的机器鱼的基于空域图片融合的故障检测示意图;
图3是本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测装置的结构示意图;
图4是本申请实施例提供的电子设备的实体结构示意图。
具体实施方式
针对故障检测问题,科研人员针对电网接地故障提出了一种空域融合和卷积神经网络模型的故障检测方法,实现了故障定位。但其融合系数是给定的0.5,无法针对不同的平台调整系数,且融合系数0.5是否是最优融合系数,有待进一步的探讨。另外,针对机器鱼传感器的故障检测研究较少,面向机器鱼传感器故障,如何智能、准确地检测故障是实现机器鱼安全、可靠运行的必要手段。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法的流程示意图,如图1所示,本申请实施例提供一种基于空域图像融合的机器鱼传感器故障检测方法,包括:
步骤101,基于第一融合系数以及机器鱼的传感器数据生成融合图片。
具体地,机器鱼的传感器数据可以是通过机器鱼传感器获取的一维时序信号,利用格拉米角场方法传感器一维时序信号转换为二维图片,生成格拉米角和场(gramianangular summation field,GASF)图片和格拉米角差场(gramian angular differencefield,GADF)图片。第一融合系数是基于灰狼算法和卷积神经网络(convolutional neuralnetworks,CNN)模型确定的最优融合系数,用于融合GASF图和GADF图从而生成融合图片。
例如,机器鱼的传感器数据可以是机器鱼的深度传感器数据。
再例如,机器鱼的传感器数据可以是机器鱼的速度传感器数据。
步骤102,将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
具体地,搭建CNN模型,将GASF图和GADF图按照一定比例分为训练集和测试集,并在训练集中按照一定比例划分出验证集。采用灰狼算法寻找GASF图和GADF图的融合系数,并基于这个融合系数得到融合图片。利用训练集的融合图片调整CNN模型的参数得到训练之后的CNN模型,并用验证集的融合图片测试训练完毕的CNN模型,把验证集的正确率作为适应度函数,适应度越大,表示故障检测越准确。在迭代次数达到最大值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代灰狼算法,得到最优的融合系数以及CNN模型的参数,从而得到训练之后CNN模型。将融合图片输入到训练之后CNN模型中,可以得到CNN模型输出的各种故障检测结果。其中,最大迭代次数为预设迭代次数。
其中训练样本数据为通过传感器一维时序信号转换得到的二维图片,训练样本数据标签为机器鱼的各种故障检测结果,例如,无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障等,这里不做具体限制。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,并通过灰狼算法的多次迭代确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述方法还包括:
获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
具体地,采用灰狼算法寻找GASF图和GADF图的融合系数的最优值。初始化灰狼种群大小和位置、适应度最好的前3匹狼以及相关参数,并根据每次迭代更新当前灰狼位置以及相关参数,从而确定第二融合系数。根据训练样本数据、训练样本数据标签和每一次迭代的融合系数对CNN模型进行训练,并用验证集的融合图片测试训练完毕的CNN模型,把验证集的正确率作为适应度函数,适应度越大,表示故障检测越准确。在迭代次数达到最大值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定融合系数的最优值以及CNN模型的模型参数。
例如,在未达到最大迭代次数的情况下,重新采用灰狼算法继续寻找最优参数。在达到最大迭代次数的情况下,寻优结束,确定最佳的融合系数。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过对灰狼算法和卷积神经网络模型的多次迭代,确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述方法还包括:
获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
具体地,训练样本数据为传感器一维时序信号通过转换得到的二维图片,二维图片可以为GASF图和GADF图,训练样本数据标签为机器鱼的各种故障检测结果。将二维图片和故障检测结果按照一定比例分为训练集和测试集,并在训练集中按一定比例划分出验证集。采用灰狼算法寻找GASF图和GADF图的融合系数,并基于这个融合系数得到融合图片。利用训练集的融合图片调整CNN模型的参数得到训练之后的CNN模型,并用验证集的融合图片测试训练完毕的CNN模型,把验证集的正确率作为融合系数的适应度函数,适应度越大,表示故障检测越准确。其中,验证集为验证样本数据,是训练集中用来测试的部分样本数据。
例如,对于小规模样本集(几万量级),常用的分配比例是60%训练集、20%验证集、20%测试集。
再例如,对于大规模样本集(百万级以上),如有100万条数据,那么可以留1万验证集,1万测试集。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过利用验证集得到的适应度函数来判断故障检测准确率,从而确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述基于第一融合系数以及机器鱼的传感器数据生成融合图片,包括:
将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
具体地,可以搭建数据采集平台,采集机器鱼的传感器数据,并对传感器数据添加标签。这里的标签可以为各种故障检测结果,例如,无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障等,这里不做具体限制。然后通过滑动窗口方法,对采集的数据进行扩充。再通过格拉米角场方法把传感器一维时序信号转换为二维图片,二维图片可以为GASF图和GADF图。最后根据融合系数和加权融合方法将GASF图和GADF图融合成融合图片。融合的具体做法可以将GASF图作为前景,GADF图作为背景,对每个像素点进行加权融合。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,并基于融合系数对得到的二维图片进行加权融合,得到融合图片,从而可以提取空域特征,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片,包括:
将机器鱼的传感器数据转换为极坐标系下的数据;
基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
具体地,可以通过滑动窗口方法,对机器鱼的传感器数据进行扩充。然后将机器鱼传感器的一维时序信号归一化到预设的范围内,再将直角坐标系中归一化的数据转为极坐标系的数据。为了挖掘数据点之间的相关性,分别生成GASF图和GADF图。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,从而可以提取空域特征,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
具体地,通过格拉米角场方法把传感器一维时序信号转换为二维图片,二维图片可以为GASF图和GADF图。最后根据融合系数和加权融合方法将GASF图和GADF图融合成融合图片。融合的具体做法可以将GASF图作为前景,GADF图作为背景,对每个像素点进行加权融合。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,并基于融合系数对得到的二维图片进行加权融合,得到融合图片,从而可以提取空域特征,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述方法还包括:
利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
具体地,可以搭建数据采集平台,采集机器鱼的传感器数据,并对传感器数据添加标签。然后通过滑动窗口方法,对采集的数据进行扩充。
例如,可以采用长度为M的窗口截取信号获得子信号,每次滑动的长度为N,相邻子信号之间重叠的长度为M-N,并把每个子信号作为一个新的数据样本。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过滑动窗口方法对机器鱼传感器的一维时序信号进行数据扩充,增加了有限时间内的样本数据,提高了机器鱼传感器故障检测的准确率。
在一些实施例中,所述方法还包括:
对机器鱼的传感器数据进行归一化处理。
具体地,可以通过滑动窗口方法,对机器鱼的传感器数据进行扩充。然后将机器鱼传感器的一维时序信号归一化到预设的范围内,再将直角坐标系中归一化的数据转为极坐标系的数据。为了挖掘数据点之间的相关性,分别生成GASF图和GADF图。
例如,可以将机器鱼传感器的一维时序信号号归一化到[-1,1]的范围内。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,并基于灰狼算法和卷积神经网络模型确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
具体地,故障检测结果可以作为训练样本数据标签,用来根据传感器信号和机器鱼故障检测结果的对应关系来训练和测试CNN模型。
故障检测结果可以根据机器鱼的不同传感器而不同,可以包括但不限于无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测方法,通过将机器鱼传感器的一维时序信号转为二维图片,并通过灰狼算法的多次迭代确定最优的图片融合系数,实现针对机器鱼传感器的高准确率故障检测。
值得一提的是,在本申请提供的实施例中灰狼算法也可以叫做灰狼优化算法和狼群优化算法,且机器鱼与仿生机器鱼是相同的。
下面以具体的例子,对上述实施例中的方法进行进一步说明。
图2是本申请实施例提供的机器鱼的基于空域图片融合的故障检测示意图,如图2所示,本申请实施例提供的机器鱼的基于空域图片融合的故障检测方法包括以下步骤:
步骤S100,搭建数据采集平台,采集机器鱼的深度传感器数据,并添加标签。
具体地,采集机器鱼的深度传感器数据可以分为六类,各自对应的标签为无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。可以采用HC-12无线传输模块进行通讯,搭建数据采集平台。上位机发送运行指令,机器鱼按照指令运动,并把传感器数据记录在SD卡中。运行结束后,下位机把数据传送给上位机,上位机接收后存储在数据库中。
步骤S200,利用滑动窗口方法,对采集的数据进行扩充。
具体地,可以采用长度为M的窗口截取信号获得子信号,每次滑动的长度为N,相邻子信号之间重叠的长度为M-N,并把每个子信号作为一个新的数据样本。
步骤S300,利用格拉米角场方法把传感器一维时序信号转换为二维图片,生成GASF图片和GADF图片。
具体地,传感器一维时序信号可以表示为S,。首先将信号S归一化到[-1,1]范围内,归一化方法为:
其中,为原始信号中第i个数值的归一化后的值。
然后将直角坐标系中归一化的数据转为极坐标系,转换方式为:
其中,是极坐标系中的角度,其值为原始数值的反余弦;/>是半径,其值为时间戳的归一化。
为挖掘数据点之间的相关性,生成的格拉米角和场矩阵为:
为挖掘数据点之间的相关性,生成的格拉米角差场矩阵为:
其中,I是是长度为n的行向量,T是矩阵的转置运算,是归一化后的传感器时序信号。
步骤S400和步骤S401,将图片数据集划分训练集和测试集,并在训练集中按照一点比例划分出验证集。
具体地,可以按照预设比例将图片数据集划分训练集、验证集和测试集,如6:2:2。
步骤S500,初始化灰狼种群大小和位置、适应度最好的前3匹狼α、β、δ以及参数a、A、C。
具体地,可以采用灰狼算法寻找空域图片融合系数λ的最优值。灰狼算法模拟了自然界灰狼的领导层级和狩猎步骤。灰狼有四种领导层级,适应度最高的是α狼,其次是β狼,再次是δ狼,最后ω狼。灰狼狩猎是集体行为,算法模拟了三个主要狩猎步骤:包围猎物、狩猎和攻击猎物。
灰狼围捕猎物的行为表示为:
其中,t是目前的迭代次数,是个体与猎物之间的距离,/>是t+1时刻灰狼的位置,/>和/>是系数向量,/>和/>是猎物的位置和灰狼的位置。
和/>的计算方式为:
其中,是收敛因子,随着迭代次数从2线性减少到0,/>和/>是[0,1]之间的随机数。
灰狼狩猎的数学模型为:
其中,,/>和/>是灰狼个体与α、β、δ之间的距离,/>,/>和/>是随机向量,/>,和/>是α、β、δ的当前位置。
其中,,/>和/>是狼群中ω狼个体朝向α、β、δ前进的步长和方向,/>,/>和/>是随机向量。
当猎物停止移动后,灰狼攻击猎物,由于的值不断减小,所以/>的波动范围随之减少,当/>时,狼群向猎物发起攻击,陷入局部最优。
步骤S501,更新当前灰狼位置,更新参数a、A、C。
步骤S502,利用加权融合方法融合GASF图和GADF图生成融合图片。
具体地,可以将GASF图作为前景,GADF图作为背景,对每个像素点进行加权融合,其数学表示为:
其中,GAFF为融合后的图片,为融合系数。
步骤S503,搭建CNN模型,利用训练集数据调整模型参数。
具体地,可以输入批量为4维度为(256,256)图片,经过第一层卷积和池化后,维度缩减为(128,128);第二次卷积和池化后,通道数增加为8,维度缩减为(64,64);第三次卷积和池化后,通道数增加为16,维度缩减为(32,32)。将卷积后的图片特征拉平为向量,连接维度为1024的全连接层,经由Softmax函数把传感器数据分为6类,实现故障诊断。
步骤S504,利用验证集数据计算全部灰狼适应度。
具体地,将验证集的图片数据,经由加权融合过程,输入训练完毕的CNN模型中测试,把验证集的正确率作为适应度函数,适应度越大,表示故障检测效果越好。
步骤S505,更新适应度最好的灰狼α、β、δ。
具体地,根据灰狼的适应度,在每次迭代中都选择适应度前三的灰狼作为α、β、δ狼,更新并保存其位置和适应度。
步骤S506,判断是否达到最大迭代次数,若未达到最大迭代次数,则返回S501再次迭代,直至达到最大迭代次数。
具体地,若未达到最大迭代次数,则返回S501,继续寻找最优参数。若达到最大迭代次数,则寻优结束,α狼的位置是最佳的融合系数,α狼的适应度是最高的故障诊断准确率。将迭代次数和准确率的信息可视化,模型的准确率随着迭代次数的增加不断提升,最后实现最高准确率98.61%。
步骤S507、输出最优融合系数。
具体地,在达到最大迭代次数的情况下,α狼的位置是最佳的融合系数,α狼的适应度是最高的故障诊断准确率,输出α狼的值为最优融合系数。
步骤S600、根据最优融合系数,利用加权融合方法融合测试集的GASF图和GADF图生成融合图片。
具体地,可以将GASF图作为前景,GADF图作为背景,对每个像素点进行加权融合,其数学表示为:
其中,GAFF为融合后的图片,为最优融合系数。
步骤S601、输入测试集的融合图片到训练完毕的CNN模型。
步骤S602、输出故障诊断结果。
具体地,可以根据测试集数据的标签和输出的故障诊断结果确定CNN模型的误差率。
本申请提供的实施例通过格拉米角场将一维时序信号转为二维图片,利用加权融合方法融合GASF图和GADF图,将融合图片输入到CNN模型进行图片分类,实现了机器鱼传感器的故障诊断。通过采用灰狼算法,以验证集故障诊断准确率为适应度函数,对融合系数进行参数寻优,得到最优融合系数和故障诊断准确率,实现了针对机器鱼传感器的高准确率故障诊断。
图3是本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测装置的结构示意图,如图3所示,本申请实施例提供的基于空域图像融合的机器鱼传感器故障检测装置,包括第一生成模块301,第一获取模块302其中:
第一生成模块301,用于基于第一融合系数以及机器鱼的传感器数据生成融合图片;
第一获取模块302,用于将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
在一些实施例中,所述装置还包括:
第一确定模块,用于获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
第一训练模块,用于基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
第二确定模块,用于在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
在一些实施例中,所述装置还包括:
第一划分模块,用于获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
第一检验模块,用于在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
在一些实施例中,所述第一生成模块包括第一转换子模块,第一融合子模块,其中:
所述第一转换子模块用于将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
所述第一融合子模块用于基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
在一些实施例中,所述第一获取模块包括第二转换子模块,第一确定子模块,其中:
所述第二转换子模块用于将机器鱼的传感器数据转换为极坐标系下的数据;
所述第一确定子模块用于基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
在一些实施例中,所述装置还包括:
第一扩增模块,用于利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
在一些实施例中,所述装置还包括:
第一处理模块,用于对机器鱼的传感器数据进行归一化处理。
在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
具体地,本申请实施例提供的上述基于空域图像融合的机器鱼传感器故障检测装置,能够实现上述基于空域图像融合的机器鱼传感器故障检测方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4是本申请实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于空域图像融合的机器鱼传感器故障检测方法,该方法包括:
基于第一融合系数以及机器鱼的传感器数据生成融合图片;
将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在一些实施例中,所述方法还包括:
获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
在一些实施例中,所述方法还包括:
获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据;
在灰狼算法的每次迭代过程中,利用所述验证样本数据检验所述卷积神经网络模型的检测准确率;以所述检测准确率作为灰狼算法的适应度函数值。
在一些实施例中,所述基于第一融合系数以及机器鱼的传感器数据生成融合图片,包括:
将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
在一些实施例中,所述将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片,包括:
将机器鱼的传感器数据转换为极坐标系下的数据;
基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
在一些实施例中,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
在一些实施例中,所述方法还包括:
利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
在一些实施例中,所述方法还包括:
对机器鱼的传感器数据进行归一化处理。
在一些实施例中,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
具体地,本申请实施例提供的上述电子设备,能够实现上述执行主体为电子设备的方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于空域图像融合的机器鱼传感器故障检测方法,该方法包括:
基于第一融合系数以及机器鱼的传感器数据生成融合图片;
将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于空域图像融合的机器鱼传感器故障检测方法,该方法包括:
基于第一融合系数以及机器鱼的传感器数据生成融合图片;
将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时确定的融合系数,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
另外需要说明的是:本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
本申请实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
本申请中的“基于A确定B”表示确定B时要考虑A这个因素。并不限于“只基于A就可以确定出B”,还应包括:“基于A和C确定B”、“基于A、C和E确定B”、基于“A确定C,基于C进一步确定B”等。另外还可以包括将A作为确定B的条件,例如,“当A满足第一条件时,使用第一方法确定B”;再例如,“当A满足第二条件时,确定B”等;再例如,“当A满足第三条件时,基于第一参数确定B”等。当然也可以是将A作为确定B的因素的条件,例如,“当A满足第一条件时,使用第一方法确定C,并进一步基于C确定B”等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,包括:
将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;
基于第一融合系数、格拉米角和场图片和格拉米角差场图片生成融合图片;
将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时α狼的位置,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的;在灰狼算法的每次迭代过程中,利用验证样本数据检验所述卷积神经网络模型的检测准确率,以所述检测准确率作为灰狼算法的适应度函数值;所述α狼为灰狼算法每次迭代过程中适应度最高的灰狼,所述α狼的位置是基于所述灰狼算法模拟的狩猎步骤,在灰狼算法的每次迭代过程中,根据所述适应度函数值更新的,所述α狼的位置用于确定每次迭代过程中的融合系数。
2.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:
获取灰狼算法的初始值,并利用灰狼算法确定第二融合系数;所述第二融合系数为灰狼算法迭代过程中确定的融合系数;
基于所述第二融合系数、训练样本数据和训练样本数据标签对卷积神经网络模型进行训练;
在迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值的情况下,停止迭代,确定所述第一融合系数以及所述卷积神经网络模型的模型参数。
3.根据权利要求2所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:
获取样本数据以及样本数据标签;并按照预设比例将样本数据划分成训练样本数据和测试样本数据,在所述训练样本数据中,按照预设比例划分出验证样本数据。
4.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述基于第一融合系数、格拉米角和场图片和格拉米角差场图片生成融合图片,包括:
基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片。
5.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片,包括:
将机器鱼的传感器数据转换为极坐标系下的数据;
基于所述极坐标系下的数据确定格拉米角和场图片和格拉米角差场图片。
6.根据权利要求4所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,基于所述第一融合系数将所述格拉米角和场图片和所述格拉米角差场图片融合成融合图片的计算公式如下:
;
其中,为融合图片的像素值,/>为第一融合系数,/>为格拉米角和场图片的像素值,/>为格拉米角差场图片的像素值。
7.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:
利用滑动窗口法对机器鱼的传感器数据进行数据扩增。
8.根据权利要求1所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述方法还包括:
对机器鱼的传感器数据进行归一化处理。
9.根据权利要求1至8任一项所述的基于空域图像融合的机器鱼传感器故障检测方法,其特征在于,所述故障检测结果包括无故障、无输出故障、漂移故障、间歇故障、输出常数故障和突跳故障。
10.一种基于空域图像融合的机器鱼传感器故障检测装置,其特征在于,包括:
第一转换模块,用于将机器鱼的传感器数据转换为格拉米角和场图片和格拉米角差场图片;第一生成模块,用于基于第一融合系数、格拉米角和场图片和格拉米角差场图片生成融合图片;
第一获取模块,用于将所述融合图片输入至卷积神经网络模型,获取所述卷积神经网络模型输出的故障检测结果;
其中,所述第一融合系数为灰狼算法的迭代次数达到预设值或者灰狼算法的适应度函数值大于预设阈值时α狼的位置,所述卷积神经网络模型是基于训练样本数据和训练样本数据标签进行训练之后得到的;在灰狼算法的每次迭代过程中,利用验证样本数据检验所述卷积神经网络模型的检测准确率,以所述检测准确率作为灰狼算法的适应度函数值;所述α狼为灰狼算法每次迭代过程中适应度最高的灰狼,所述α狼的位置是基于所述灰狼算法模拟的狩猎步骤,在灰狼算法的每次迭代过程中,根据所述适应度函数值更新的,所述α狼的位置用于确定每次迭代过程中的融合系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394870.0A CN116109897B (zh) | 2023-04-14 | 2023-04-14 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394870.0A CN116109897B (zh) | 2023-04-14 | 2023-04-14 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109897A CN116109897A (zh) | 2023-05-12 |
CN116109897B true CN116109897B (zh) | 2023-08-15 |
Family
ID=86265904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310394870.0A Active CN116109897B (zh) | 2023-04-14 | 2023-04-14 | 基于空域图像融合的机器鱼传感器故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109897B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184762A (zh) * | 2020-09-05 | 2021-01-05 | 天津城建大学 | 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法 |
CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
CN115575125A (zh) * | 2022-09-21 | 2023-01-06 | 三峡大学 | 基于gadf-gan-avoa-cnn的轴承故障诊断方法 |
CN115688049A (zh) * | 2022-11-02 | 2023-02-03 | 重庆邮电大学 | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 |
CN115761398A (zh) * | 2022-10-31 | 2023-03-07 | 重庆邮电大学 | 基于轻量化神经网络及维度拓展的轴承故障诊断方法 |
CN115760380A (zh) * | 2022-12-09 | 2023-03-07 | 百维金科(上海)信息科技有限公司 | 一种融合用电信息的企业信用评估方法与*** |
-
2023
- 2023-04-14 CN CN202310394870.0A patent/CN116109897B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184762A (zh) * | 2020-09-05 | 2021-01-05 | 天津城建大学 | 一种基于特征融合的灰狼优化粒子滤波目标跟踪算法 |
CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
CN114818774A (zh) * | 2022-03-15 | 2022-07-29 | 南京航空航天大学 | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 |
CN115575125A (zh) * | 2022-09-21 | 2023-01-06 | 三峡大学 | 基于gadf-gan-avoa-cnn的轴承故障诊断方法 |
CN115761398A (zh) * | 2022-10-31 | 2023-03-07 | 重庆邮电大学 | 基于轻量化神经网络及维度拓展的轴承故障诊断方法 |
CN115688049A (zh) * | 2022-11-02 | 2023-02-03 | 重庆邮电大学 | 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质 |
CN115760380A (zh) * | 2022-12-09 | 2023-03-07 | 百维金科(上海)信息科技有限公司 | 一种融合用电信息的企业信用评估方法与*** |
Non-Patent Citations (1)
Title |
---|
MEMS gyroscope fault detection and elimination for an underwater robot using the combination of smooth switching and dynamic redundancy method;Mojtaba Mirzaei 等;Microelectronics Reliability;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116109897A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902926B (zh) | 一种基于自注意力机制的通用图像目标检测方法和装置 | |
CN110189334B (zh) | 基于注意力机制的残差型全卷积神经网络的医学图像分割方法 | |
CN111507370B (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及*** | |
CN115618296B (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
CN113222068B (zh) | 基于邻接矩阵指导标签嵌入的遥感图像多标签分类方法 | |
CN111832228A (zh) | 基于cnn-lstm的振动传递*** | |
CN117201122A (zh) | 基于视图级图对比学习的无监督属性网络异常检测方法及*** | |
CN114936620A (zh) | 基于注意力机制的海表面温度数值预报偏差订正方法 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN113208641B (zh) | 基于三维多分辨注意力胶囊网络的肺结节辅助诊断方法 | |
CN116109897B (zh) | 基于空域图像融合的机器鱼传感器故障检测方法及装置 | |
CN117853596A (zh) | 无人机遥感测绘方法及*** | |
CN111275751B (zh) | 一种无监督绝对尺度计算方法及*** | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
Chang et al. | High-precision magnetic field reconstruction and anomaly classification | |
Li et al. | Aero-engine sensor fault diagnosis based on convolutional neural network | |
CN117877587A (zh) | 一种全基因组预测模型的深度学习算法 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
CN114120245B (zh) | 基于深度神经网络的人群图像分析方法、装置以及设备 | |
Zhang et al. | Exploiting Deep Matching and Underwater Terrain Images to Improve Underwater Localization Accuracy | |
CN114706087A (zh) | 一种三维成像声呐点云的水下地形匹配定位方法及*** | |
CN115205710B (zh) | 一种结合色彩校正的双时相遥感图像变化检测方法 | |
CN117765297B (zh) | 高光谱图像分类方法、装置、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 |