CN117851922B - 一种空气浓度监测仪器运行监测方法 - Google Patents
一种空气浓度监测仪器运行监测方法 Download PDFInfo
- Publication number
- CN117851922B CN117851922B CN202410264066.5A CN202410264066A CN117851922B CN 117851922 B CN117851922 B CN 117851922B CN 202410264066 A CN202410264066 A CN 202410264066A CN 117851922 B CN117851922 B CN 117851922B
- Authority
- CN
- China
- Prior art keywords
- signal
- monitoring
- layer
- parameter
- model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空气浓度监测仪器运行监测方法，包括信号接收、信号分解、参数更新、建立仪器运行监测混合模型、模型参数调整和仪器运行监测。本发明属于数据处理技术领域，具体是指一种空气浓度监测仪器运行监测方法，本方案基于Hilbert变换获取单边谱，引入约束优化且扩展拉格朗日方程，根据平衡约束和惩罚项进行调频，从而完成信号的高精度分解；基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，减少计算量；采用设计CNN层进行特征提取，利用LSTM层设计捕捉低频信号数据长期依赖关系，利用DBN模型预测高频信号，分层设计提取抽象特征，基于自适应表征学习最终将输出结构加权融合输出监测结果。
Description
技术领域
本发明属于数据处理技术领域，具体是一种空气浓度监测仪器运行监测方法。
背景技术
空气浓度监测仪器运行监测方法是利用数据分析和信号处理技术，利用已有的信号数据和标签数据训练一个监测模型，通过分析仪器运行信号与运行参数的关系，模型学习到不同运行状态的特征，从而能够对实时的运行状态进行监测。但是数据来源的原始信号存在分解方式粗糙从而造成信号不完整和参数更新计算量大的问题；一般监测模型存在特征提取能力弱，无法对输入数据的特点进行自适应学习，从而导致模型性能弱的问题；寻参算法存在搜索空间范围小，无法判断全局最优和局部最优的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种空气浓度监测仪器运行监测方法，针对数据来源的原始信号存在分解方式粗糙从而造成信号不完整和参数更新计算量大的问题，本方案基于Hilbert变换获取单边谱，引入约束优化且扩展拉格朗日方程，根据平衡约束和惩罚项进行调频，从而完成信号的高精度分解，并基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，减少计算量；针对一般监测模型存在特征提取能力弱，无法对输入数据的特点进行自适应学习，从而导致模型性能弱的问题，本方案采用设计CNN层进行特征提取，利用LSTM层设计捕捉低频信号数据长期依赖关系，利用DBN模型监测高频信号，分层设计提取抽象特征，基于自适应表征学习最终将输出结构加权融合输出监测结果，提高模型的适应性和泛化能力；针对寻参算法存在搜索空间范围小，无法判断全局最优和局部最优的问题，本方案采用基于当前迭代次数向局部最优和全局最优移动来扩大搜索范围，基于评估阈值和最大迭代次数判定局部最优和全局最优。
本发明提供的一种空气浓度监测仪器运行监测方法，包括：
步骤S1：信号接收；
步骤S2：信号分解，基于Hilbert变换和扩展拉格朗日方程进行调频，从而定义目标函数，完成信号的高精度分解；
步骤S3：参数更新，基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，寻求最优解；
步骤S4：建立仪器运行监测混合模型，基于CNN层设计提取低频信号数据特征，利用LSTM层设计将输入的时序数据初步监测，结合DBN层设计对信号分解后的高频信号数据的监测结果加权融合，输出最终监测结果；
步骤S5：模型参数调整，基于当前迭代次数向局部最优和全局最优移动，基于评估阈值和最大迭代次数判断全局最优；
步骤S6：仪器运行监测。
进一步地，在步骤S1中，所述信号接收是接收设备运行状态信号、设备传感器输出信号、噪音传感器输出信号、振动传感器输出信号、能耗监测信号和数据对应的设备运行状态；将设备运行状态作为数据标签。
进一步地，在步骤S2中，所述信号分解具体包括以下内容：
步骤S21：预定义，对于每个IMF即内脉冲函数，使用Hilbert变换获得单边谱，通过求和来最小化估计的带宽，在约束条件下，每个IMF的累积等于输入信号f（t），所用公式如下：
；
；
式中，f（t）是被分解的原始信号，δ（）是狄拉克分布，t是时间，*是卷积运算符，uk是第k个IMF的系数，ωk是第k个IMF的中心频率，K表示IMF的总数，∂t是对t求导，j1是虚部单位，下标2是L2范式，上标2是平方操作；
步骤S22：定义扩展拉格朗日方程，将有约束变分问题转化为无约束优化问题，基于二次惩罚项和拉格朗日乘子，所用公式如下：
；
式中，λ是拉格朗日乘子，α是平衡目标函数中约束项和惩罚项之间的相对权重的参数，〈〉是内积；
步骤S23：调频，通过将IMF的频谱与调整到相应估计中心频率的调制指数混合，将其转移到基带区域；使用解调信号的高斯平滑性估计每个IMF的带宽，即梯度平方的L2参数；
步骤S24：定义目标函数，估计每个IMF的系数和频率特性，从而实现对原始信号的分解，目标函数表示如下：
。
进一步地，在步骤S3中，所述参数更新是更新每个IMF的系数和频率特性，以实现对原始信号的分解，具体包括以下内容：
步骤S31：定义解决方案，使用交替方向乘子法来搜索增广拉格朗日函数的鞍点，基于ADMM优化方法，在两个方向上更新uk和ωk，得到以下迭代解决方案：
；
；
；
式中，n是迭代次数，τ是时间步长，i1和k都是IMF的索引；
步骤S32：定义收敛条件，所用公式如下：
；
式中，ε是收敛阈值；
步骤S33：求最优解，内容包括：
步骤S331：更新模态，将子问题等同于以下最小化问题:
；
步骤S332：利用实信号的埃尔米特对称性，在重建的保真度项中，写成对非负频率的半空间积分的形式，并将一阶导数变为零找到问题的最优解，所用公式如下：
；
式中，、和分别是f（ω）、λ（ω）和ui1（ω）的傅里叶变换，ω是连续
的频率变量；
步骤S333：将ωk最优解问题等同于如下问题：
；
步骤S334：最优解表示如下：
；
步骤S335：最终基于信号频率阈值，将信号分为高频信号和低频信号。
进一步地，在步骤S4中，所述建立仪器运行监测混合模型是基于步骤S3得到的信号数据随机划分为训练集和测试集，利用训练集训练模型，测试集检验模型性能，模型建立具体包括以下内容：
步骤S41：CNN层设计，CNN层用于提取低频数据的特征，信号分解后的低频数据被输入到具有64×1×3的卷积核的CNN层中，卷积核作为特征提取器，过程描述如下：
；
式中，是第l+1层中特征图j在时间τ1的值，σR是ReLU函数，是第l层中特
征图j的偏置值，Fl是第l层中的特征图数量，f是特征图索引，pl表示第l层中卷积核的个数，
p是卷积核位置的索引，是第l层中的特征图j经过卷积核f卷积后生成的值；
步骤S42：LSTM层设计，CNN层在完成初步特征提取后将数据作为时间序列输入到LSTM层进行预测，LSTM的体系结构由四个门组成，分别是遗忘门ft、更新门ut、输入门it、输出门ot和存储单元Ct，通过操作这些门，在单元中存储、写入和读取信息，过程描述如下：
；
；
；
；
；
；
式中，W和b分别是控制门相关的权重矩阵和偏置矩阵，下标f、i、c和o分别代表遗忘门、输入门、存储单元和输出门，t和t-1是时间状态，h是隐藏状态，x是输入的数据集，tanh是双曲正切函数；
步骤S43：DBN层设计，DBN由多个受限玻尔兹曼机组成，每个RBM包含一个可见单元和一个隐藏单元，其中可见单元是输入层，隐藏单元是特征检测层，采用三隐藏层DBN网络对信号分解处理后的高频信号数据进行预测，DBN各层之间的神经元是独立不连接的，每个RBM的可见单元通过权重与隐藏单元连接，内容包括：
步骤S431：定义能量函数E，所用公式如下：
；
式中，vk1是第k1个可见单元，hm是第m个隐藏单元，ωmk1是vk1和hm之间的连接权重，bk1是第k1个可见单元的阈值，cm是第m个隐藏单元的阈值；
步骤S432：获得能量函数后，计算所有可见单元和隐藏单元的联合概率分布，所用公式如下：
；
式中，D是所有可见单元，h是所有隐藏单元；p（v，h）是所有可见单元和隐藏单元的联合概率分布；
步骤S433：计算每个RBM的第k1个可见单元和第m个隐藏单元的激活概率，所用公式如下：
；
；
式中，是第k1个可见单元的激活概率，是第m个隐藏单元
的激活概率；
步骤S44：加权融合，将LSTM层输出结果和DBN层输出结果进行加权融合，生成最终预测结果。
进一步地，在步骤S5中，所述模型参数调整具体包括以下内容：
步骤S51：初始化，初始化参数搜索空间、n个参数位置和参数对应适应度值，
其中I是参数索引，J是参数维度索引，参数的适应度值是基于当前位置建立的模型监测正
确率；
步骤S52：位置更新，若新位置的适应度值高于原位置，则更新该位置，否则保持不变，位置更新所用公式如下：
；
式中，是更新后的位置，LGJ是第J个维度上的最优位置，WZrJ是随机选择的
第r个参数在第J个维度上的位置，U（）是服从均匀分布的随机数生成函数，GG是全局最优位
置，t1是当前迭代次数，T是最大迭代次数；fi、fb和fg分别是个体当前适应度值、个体经验最
优适应度值和全局最优适应度值；
步骤S53：全局判定，预先设有评估阈值，若存在适应度值高于评估阈值的参数，基于参数建立仪器运行监测模型；若超过最大迭代次数，则重新初始化参数位置寻参；否则继续寻参。
进一步地，在步骤S6中，所述仪器运行监测是基于步骤S5寻找监测模型的最佳参数建立仪器运行监测混合模型，当模型对测试集的监测正确率高于正确率阈值时，模型建立完成；模型实时接收仪器运行信号和运行参数信号，基于输出监测仪器运行监测状态，当运行监测状态为异常时，给予预警处理。
采用上述方案本发明取得的有益效果如下：
（1）针对数据来源的原始信号存在分解方式粗糙从而造成信号不完整和参数更新计算量大的问题，本方案基于Hilbert变换获取单边谱，引入约束优化且扩展拉格朗日方程，根据平衡约束和惩罚项进行调频，从而完成信号的高精度分解，并基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，减少计算量。
（2）针对一般监测模型存在特征提取能力弱，无法对输入数据的特点进行自适应学习，从而导致模型性能弱的问题，本方案采用设计CNN层进行特征提取，利用LSTM层设计捕捉低频信号数据长期依赖关系，利用DBN模型监测高频信号，分层设计提取抽象特征，基于自适应表征学习最终将输出结构加权融合输出监测结果，提高模型的适应性和泛化能力。
（3）针对寻参算法存在搜索空间范围小，无法判断全局最优和局部最优的问题，本方案采用基于当前迭代次数向局部最优和全局最优移动来扩大搜索范围，基于评估阈值和最大迭代次数判定局部最优和全局最优。
附图说明
图1为本发明提供的一种空气浓度监测仪器运行监测方法的流程示意图；
图2为图1中信号分解的流程示意图；
图3为图1中参数更新的流程示意图；
图4为图1中建立仪器运行监测混合模型的流程示意图；
图5为图1中模型参数调整的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种空气浓度监测仪器运行监测方法，包括：
步骤S1：信号接收；
步骤S2：信号分解；
步骤S3：参数更新；
步骤S4：建立仪器运行监测混合模型；
步骤S5：模型参数调整；
步骤S6：仪器运行监测。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，接收设备运行状态信号、设备传感器输出信号、噪音传感器输出信号、振动传感器输出信号、能耗监测信号和数据对应的设备运行状态；将设备运行状态作为数据标签。
实施例三，参阅图1和图2，该实施例基于上述实施例，在步骤S2中，信号分解具体包括以下内容：
步骤S21：预定义，对于每个IMF即内脉冲函数，使用Hilbert变换获得单边谱，通过求和来最小化估计的带宽，在约束条件下，每个IMF的累积等于输入信号f（t），所用公式如下：
；
；
式中，f（t）是被分解的原始信号，δ（）是狄拉克分布，t是时间，*是卷积运算符，uk是第k个IMF的系数，ωk是第k个IMF的中心频率，K表示IMF的总数，∂t是对t求导，j1是虚部单位，下标2是L2范式，上标2是平方操作；
步骤S22：定义扩展拉格朗日方程，将有约束变分问题转化为无约束优化问题，基于二次惩罚项和拉格朗日乘子，所用公式如下：
；
式中，λ是拉格朗日乘子，α是平衡目标函数中约束项和惩罚项之间的相对权重的参数，〈〉是内积；
步骤S23：调频，通过将IMF的频谱与调整到相应估计中心频率的调制指数混合，将其转移到基带区域；使用解调信号的高斯平滑性估计每个IMF的带宽，即梯度平方的L2参数；
步骤S24：定义目标函数，估计每个IMF的系数和频率特性，从而实现对原始信号的分解，目标函数表示如下：
。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，参数更新是更新每个IMF的系数和频率特性，以实现对原始信号的分解，具体包括以下内容：
步骤S31：定义解决方案，使用交替方向乘子法来搜索增广拉格朗日函数的鞍点，基于ADMM优化方法，在两个方向上更新uk和ωk，得到以下迭代解决方案：
；
；
；
式中，n是迭代次数，τ是时间步长，i1和k都是IMF的索引；
步骤S32：定义收敛条件，所用公式如下：
；
式中，ε是收敛阈值；
步骤S33：求最优解，内容包括：
步骤S331：更新模态，将子问题等同于以下最小化问题:
；
步骤S332：利用实信号的埃尔米特对称性，在重建的保真度项中，写成对非负频率的半空间积分的形式，并将一阶导数变为零找到问题的最优解，所用公式如下：
；
式中，、和分别是f（ω）、λ（ω）和ui1（ω）的傅里叶变换，ω是连续
的频率变量；
步骤S333：将ωk最优解问题等同于如下问题：
；
步骤S334：最优解表示如下：
；
步骤S335：最终基于信号频率阈值，将信号分为高频信号和低频信号。
通过执行上述操作，针对数据来源的原始信号存在分解方式粗糙从而造成信号不完整和参数更新计算量大的问题，本方案基于Hilbert变换获取单边谱，引入约束优化且扩展拉格朗日方程，根据平衡约束和惩罚项进行调频，从而完成信号的高精度分解，并基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，减少计算量。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，建立仪器运行监测混合模型是基于步骤S3得到的信号数据随机划分为训练集和测试集，利用训练集训练模型，测试集检验模型性能，模型建立具体包括以下内容：
步骤S41：CNN层设计，CNN层用于提取低频数据的特征，信号分解后的低频数据被输入到具有64×1×3的卷积核的CNN层中，卷积核作为特征提取器，过程描述如下：
；
式中，是第l+1层中特征图j在时间τ1的值，σR是ReLU函数，是第l层中特
征图j的偏置值，Fl是第l层中的特征图数量，f是特征图索引，pl表示第l层中卷积核的个数，
p是卷积核位置的索引，是第l层中的特征图j经过卷积核f卷积后生成的值；
步骤S42：LSTM层设计，CNN层在完成初步特征提取后将数据作为时间序列输入到LSTM层进行预测，LSTM的体系结构由四个门组成，分别是遗忘门ft、更新门ut、输入门it、输出门ot和存储单元Ct，通过操作这些门，在单元中存储、写入和读取信息，过程描述如下：
；
；
；
；
；
；
式中，W和b分别是控制门相关的权重矩阵和偏置矩阵，下标f、i、c和o分别代表遗忘门、输入门、存储单元和输出门，t和t-1是时间状态，h是隐藏状态，x是输入的数据集，tanh是双曲正切函数；
步骤S43：DBN层设计，DBN由多个受限玻尔兹曼机组成，每个RBM包含一个可见单元和一个隐藏单元，其中可见单元是输入层，隐藏单元是特征检测层，采用三隐藏层DBN网络对信号分解处理后的高频信号数据进行预测，DBN各层之间的神经元是独立不连接的，每个RBM的可见单元通过权重与隐藏单元连接，内容包括：
步骤S431：定义能量函数E，所用公式如下：
；
式中，vk1是第k1个可见单元，hm是第m个隐藏单元，ωmk1是vk1和hm之间的连接权重，bk1是第k1个可见单元的阈值，cm是第m个隐藏单元的阈值；
步骤S432：获得能量函数后，计算所有可见单元和隐藏单元的联合概率分布，所用公式如下：
；
式中，D是所有可见单元，h是所有隐藏单元；p（v，h）是所有可见单元和隐藏单元的联合概率分布；
步骤S433：计算每个RBM的第k1个可见单元和第m个隐藏单元的激活概率，所用公式如下：
；
；
式中，是第k1个可见单元的激活概率，是第m个隐藏单元
的激活概率；
步骤S44：加权融合，将LSTM层输出结果和DBN层输出结果进行加权融合，生成最终预测结果。
通过执行上述操作，针对一般监测模型存在特征提取能力弱，无法对输入数据的特点进行自适应学习，从而导致模型性能弱的问题，本方案采用设计CNN层进行特征提取，利用LSTM层设计捕捉低频信号数据长期依赖关系，利用DBN模型监测高频信号，分层设计提取抽象特征，基于自适应表征学习最终将输出结构加权融合输出监测结果，提高模型的适应性和泛化能力。
实施例六，参阅图1和图5，该实施例基于上述实施例，在步骤S5中，模型参数调整具体包括以下内容：
步骤S51：初始化，初始化参数搜索空间、n个参数位置和参数对应适应度值，
其中I是参数索引，J是参数维度索引，参数的适应度值是基于当前位置建立的模型监测正
确率；
步骤S52：位置更新，若新位置的适应度值高于原位置，则更新该位置，否则保持不变，位置更新所用公式如下：
；
式中，是更新后的位置，LGJ是第J个维度上的最优位置，WZrJ是随机选择的
第r个参数在第J个维度上的位置，U（）是服从均匀分布的随机数生成函数，GG是全局最优位
置，t1是当前迭代次数，T是最大迭代次数；fi、fb和fg分别是个体当前适应度值、个体经验最
优适应度值和全局最优适应度值；
步骤S53：全局判定，预先设有评估阈值，若存在适应度值高于评估阈值的参数，基于参数建立仪器运行监测模型；若超过最大迭代次数，则重新初始化参数位置寻参；否则继续寻参。
通过执行上述操作，针对寻参算法存在搜索空间范围小，无法判断全局最优和局部最优的问题，本方案采用基于当前迭代次数向局部最优和全局最优移动来扩大搜索范围，基于评估阈值和最大迭代次数判定局部最优和全局最优。
实施例七，参阅图1，该实施例基于上述实施例，在步骤S6中，仪器运行监测是基于步骤S5寻找监测模型的最佳参数建立仪器运行监测混合模型，当模型对测试集的监测正确率高于正确率阈值时，模型建立完成；模型实时接收仪器运行信号和运行参数信号，基于输出监测仪器运行监测状态，当运行监测状态为异常时，给予预警处理。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (5)
1.一种空气浓度监测仪器运行监测方法，其特征在于：包括：
步骤S1：信号接收；
步骤S2：信号分解，基于Hilbert变换和扩展拉格朗日方程进行调频，从而定义目标函数，完成信号的高精度分解；
步骤S3：参数更新，基于交替方向乘子法、ADMM优化和埃尔米特对称性简化问题，寻求最优解；
步骤S4：建立仪器运行监测混合模型，基于CNN层设计提取低频信号数据特征，利用LSTM层设计将输入的时序数据初步监测，结合DBN层设计对信号分解后的高频信号数据的监测结果加权融合，输出最终监测结果；
步骤S5：模型参数调整，基于当前迭代次数向局部最优和全局最优移动，基于评估阈值和最大迭代次数判断全局最优；
步骤S6：仪器运行监测；
在步骤S4中，建立仪器运行监测混合模型是基于步骤S3得到的信号数据随机划分为训练集和测试集，利用训练集训练模型，测试集检验模型性能，模型建立具体包括以下内容：
步骤S41：CNN层设计，CNN层用于提取低频数据的特征，信号分解后的低频数据被输入到具有64×1×3的卷积核的CNN层中，卷积核作为特征提取器，过程描述如下：
式中，是第l+1层中特征图j在时间τ1的值，σR是ReLU函数，/>是第l层中特征图j的偏置值，Fl是第l层中的特征图数量，f是特征图索引，pl表示第l层中卷积核的个数，p是卷积核位置的索引，/>是第l层中的特征图j经过卷积核f卷积后生成的值；
步骤S42：LSTM层设计，CNN层在完成初步特征提取后将数据作为时间序列输入到LSTM层进行预测，LSTM的体系结构由四个门组成，分别是遗忘门ft、更新门ut、输入门it、输出门ot和存储单元Ct，通过操作这些门，在单元中存储、写入和读取信息，过程描述如下：
ft＝σs(Wf[ht-1,xt]+bf)；
it＝σs(Wi[ht-1，xt]+bi)；
ut＝tanh(WC[ht-1，xt]+bc)；
Ot＝σs(WO[ht-1，xt]+bO)；
Ct＝ftCt-1+itut；
ht＝Ottanh(Ct)；
式中，W和b分别是控制门相关的权重矩阵和偏置矩阵，下标f、i、c和o分别代表遗忘门、输入门、存储单元和输出门，t和t-1是时间状态，h是隐藏状态，x是输入的数据集，tanh是双曲正切函数；
步骤S43：DBN层设计，DBN由多个受限玻尔兹曼机组成，每个RBM包含一个可见单元和一个隐藏单元，其中可见单元是输入层，隐藏单元是特征检测层，采用三隐藏层DBN网络对信号分解处理后的高频信号数据进行预测，DBN各层之间的神经元是独立不连接的，每个RBM的可见单元通过权重与隐藏单元连接，内容包括：
步骤S431：定义能量函数E，所用公式如下：
E(v，h)＝∑k1bk1vk1-∑mcmhm-∑mk1ωmk1vk1hm；
式中，vk1是第k1个可见单元，hm是第m个隐藏单元，ωmk1是vk1和hm之间的连接权重，bk1是第k1个可见单元的阈值，cm是第m个隐藏单元的阈值；
步骤S432：获得能量函数后，计算所有可见单元和隐藏单元的联合概率分布，所用公式如下：
式中，D是所有可见单元，h是所有隐藏单元；p(v，h)是所有可见单元和隐藏单元的联合概率分布；
步骤S433：计算每个RBM的第k1个可见单元和第m个隐藏单元的激活概率，所用公式如下：
p(vk1＝1|h)＝σs(bk1+∑k1ωmk1hm)；
p(hm＝1|v)＝σs(cm+∑mωmk1vk1)；
式中，p(vk1＝1|h)是第k1个可见单元的激活概率，p(hm＝1|v)是第m个隐藏单元的激活概率；
步骤S44：加权融合，将LSTM层输出结果和DBN层输出结果进行加权融合，生成最终预测结果；
在步骤S5中，所述模型参数调整具体包括以下内容：
步骤S51：初始化，初始化参数搜索空间、n个参数位置WZIJ和参数对应适应度值，其中I是参数索引，J是参数维度索引，参数的适应度值是基于当前位置建立的模型预测正确率；
步骤S52：位置更新，若新位置的适应度值高于原位置，则更新该位置，否则保持不变，位置更新所用公式如下：
式中，是更新后的位置，LGJ是第J个维度上的最优位置，WZrJ是随机选择的第r个参数在第J个维度上的位置，U()是服从均匀分布的随机数生成函数，GG是全局最优位置，t1是当前迭代次数，T是最大迭代次数；fi、fb和fg分别是个体当前适应度值、个体经验最优适应度值和全局最优适应度值；
步骤S53：全局判定，预先设有评估阈值，若存在适应度值高于评估阈值的参数，基于参数建立仪器运行监测混合模型；若超过最大迭代次数，则重新初始化参数位置寻参；否则继续寻参。
2.根据权利要求1所述的一种空气浓度监测仪器运行监测方法，其特征在于：在步骤S3中，所述参数更新是更新每个IMF的系数和频率特性，以实现对原始信号的分解，具体包括以下内容：
步骤S31：定义解决方案，使用交替方向乘子法来搜索增广拉格朗日函数的鞍点，基于ADMM优化方法，在两个方向上更新uk和ωk，得到以下迭代解决方案：
式中，n是迭代次数，τ是时间步长，i1和k都是IMF的索引；
步骤S32：定义收敛条件，所用公式如下：
式中，ε是收敛阈值；
步骤S33：求最优解，内容包括：
步骤S331：更新模态，将子问题等同于以下最小化问题:
步骤S332：利用实信号的埃尔米特对称性，在重建的保真度项中，写成对非负频率的半空间积分的形式，并将一阶导数变为零找到问题的最优解，所用公式如下：
式中，和/>分别是f(ω)、λ(ω)和ui1(ω)的傅里叶变换，ω是连续的频率变量；
步骤S333：将ωk最优解问题等同于如下问题：
步骤S334：最优解表示如下：
步骤S335：最终基于信号频率阈值，将信号分为高频信号和低频信号。
3.根据权利要求1所述的一种空气浓度监测仪器运行监测方法，其特征在于：在步骤S2中，所述信号分解具体包括以下内容：
步骤S21：预定义，对于每个IMF即内脉冲函数，使用Hilbert变换获得单边谱，通过求和来最小化估计的带宽，在约束条件下，每个IMF的累积等于输入信号f(t)，所用公式如下：
式中，f(t)是被分解的原始信号，δ()是狄拉克分布，t是时间，*是卷积运算符，uk是第k个IMF的系数，ωk是第k个IMF的中心频率，K表示IMF的总数，是对t求导，j1是虚部单位，下标2是L2范式，上标2是平方操作；
步骤S22：定义扩展拉格朗日方程，将有约束变分问题转化为无约束优化问题，基于二次惩罚项和拉格朗日乘子，所用公式如下：
式中，λ是拉格朗日乘子，α是平衡目标函数中约束项和惩罚项之间的相对权重的参数，<>是内积；
步骤S23：调频，通过将IMF的频谱与调整到相应估计中心频率的调制指数混合，将其转移到基带区域；使用解调信号的高斯平滑性估计每个IMF的带宽，即梯度平方的L2参数；
步骤S24：定义目标函数，估计每个IMF的系数和频率特性，从而实现对原始信号的分解，目标函数表示如下：
4.根据权利要求1所述的一种空气浓度监测仪器运行监测方法，其特征在于：在步骤S1中，所述信号接收是接收设备运行状态信号、设备传感器输出信号、噪音传感器输出信号、振动传感器输出信号、能耗监测信号和数据对应的设备运行状态；将设备运行状态作为数据标签。
5.根据权利要求1所述的一种空气浓度监测仪器运行监测方法，其特征在于：在步骤S6中，所述仪器运行监测是基于步骤S5寻找监测模型的最佳参数建立仪器运行监测混合模型，当模型对测试集的监测正确率高于正确率阈值时，模型建立完成；模型实时接收仪器运行信号和运行参数信号，基于输出监测仪器运行监测状态，当运行监测状态为异常时，给予预警处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410264066.5A CN117851922B (zh) | 2024-03-08 | 2024-03-08 | 一种空气浓度监测仪器运行监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410264066.5A CN117851922B (zh) | 2024-03-08 | 2024-03-08 | 一种空气浓度监测仪器运行监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117851922A CN117851922A (zh) | 2024-04-09 |
| CN117851922B true CN117851922B (zh) | 2024-06-07 |
Family
ID=90529066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410264066.5A Active CN117851922B (zh) | 2024-03-08 | 2024-03-08 | 一种空气浓度监测仪器运行监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851922B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| CN115310724A (zh) * | 2022-10-10 | 2022-11-08 | 南京信息工程大学 | 一种基于Unet和DCN_LSTM的降水预测方法 |
| CN116644970A (zh) * | 2023-05-10 | 2023-08-25 | 福建工程学院 | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 |
| CN116839911A (zh) * | 2023-07-19 | 2023-10-03 | 沈阳航空航天大学 | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 |
| CN117114144A (zh) * | 2023-10-24 | 2023-11-24 | 青岛农业大学 | 基于人工智能的水稻耐盐碱性能预测方法及*** |
| CN117134346A (zh) * | 2023-09-06 | 2023-11-28 | 国网湖北省电力有限公司黄冈供电公司 | 一种基于vmd-ga-pso-lstm模型的短期负荷预测方法及装置 |
| CN117232817A (zh) * | 2023-09-15 | 2023-12-15 | 淮阴工学院 | 电动阀智能化的大数据监测方法及物联网*** |
| CN117350175A (zh) * | 2023-12-04 | 2024-01-05 | 河北东医生物科技有限公司 | 人工智能生态因子空气环境质量监测方法及*** |
| CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及*** |
| CN117353455A (zh) * | 2023-10-17 | 2024-01-05 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电***监管方法 |
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及*** |
| CN117520933A (zh) * | 2023-12-29 | 2024-02-06 | 长春师范大学 | 基于机器学习的环境监测方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2024
- 2024-03-08 CN CN202410264066.5A patent/CN117851922B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| CN115310724A (zh) * | 2022-10-10 | 2022-11-08 | 南京信息工程大学 | 一种基于Unet和DCN_LSTM的降水预测方法 |
| CN116644970A (zh) * | 2023-05-10 | 2023-08-25 | 福建工程学院 | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 |
| CN116839911A (zh) * | 2023-07-19 | 2023-10-03 | 沈阳航空航天大学 | 基于阈值参数判决筛选的航空发动机主轴承故障提取方法 |
| CN117134346A (zh) * | 2023-09-06 | 2023-11-28 | 国网湖北省电力有限公司黄冈供电公司 | 一种基于vmd-ga-pso-lstm模型的短期负荷预测方法及装置 |
| CN117232817A (zh) * | 2023-09-15 | 2023-12-15 | 淮阴工学院 | 电动阀智能化的大数据监测方法及物联网*** |
| CN117353455A (zh) * | 2023-10-17 | 2024-01-05 | 济南泉晓电气设备有限公司 | 基于人工智能的输变电***监管方法 |
| CN117114144A (zh) * | 2023-10-24 | 2023-11-24 | 青岛农业大学 | 基于人工智能的水稻耐盐碱性能预测方法及*** |
| CN117350175A (zh) * | 2023-12-04 | 2024-01-05 | 河北东医生物科技有限公司 | 人工智能生态因子空气环境质量监测方法及*** |
| CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及*** |
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及*** |
| CN117520933A (zh) * | 2023-12-29 | 2024-02-06 | 长春师范大学 | 基于机器学习的环境监测方法及*** |
Non-Patent Citations (5)
| Title |
|---|
| 于颖 ; 於孝春 ; 李永生 ; .扩展拉格朗日乘子粒子群算法解决工程优化问题.机械工程学报.2009,(第12期),全文. * |
| 基于Attention-LSTM与XGBoost集成机制的中国商品期货投资策略研究;邓建军;《中国优秀硕士学位论文全文数据库 基础科学辑 (月刊)》;20230215(第第02期期);A002-2379 * |
| 基于QPSO-LSTM的超短期风电功率预测;秦博瑞;《信息记录材料》;20231231;第第24卷卷(第第12期期);第233-235页 * |
| 基于改进深度学习的开关柜局部放电检测与故障识别;何明等;《微型电脑应用》;20240131;第第40卷卷(第第1期期);第121-126页 * |
| 扩展拉格朗日乘子粒子群算法解决工程优化问题;于颖;於孝春;李永生;;机械工程学报;20091215(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117851922A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993280B (zh) | 一种基于深度学习的水下声源定位方法 | |
| US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
| Jeong et al. | Efficient global optimization (EGO) for multi-objective problem and data mining | |
| CN107833208B (zh) | 一种基于动态权重深度自编码的高光谱异常检测方法 | |
| CN111697621B (zh) | 基于ewt-pdbn组合的短期风电功率预测方法 | |
| CN107578061A (zh) | 基于最小化损失学***衡样本分类方法 | |
| CN108090510A (zh) | 一种基于间隔优化的集成学习方法及装置 | |
| CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
| CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
| Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
| CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及*** | |
| Wu et al. | A hybrid-forecasting model reducing Gaussian noise based on the Gaussian support vector regression machine and chaotic particle swarm optimization | |
| CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
| CN109344751B (zh) | 一种车内噪声信号的重构方法 | |
| Tian et al. | Joint learning model for underwater acoustic target recognition | |
| CN110796233A (zh) | 基于迁移学习的深度残差卷积神经网络的自适应压缩方法 | |
| CN108877947A (zh) | 基于迭代均值聚类的深度样本学习方法 | |
| CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及*** | |
| CN117851922B (zh) | 一种空气浓度监测仪器运行监测方法 | |
| CN117516588A (zh) | 一种基于优化核极限学习机的激光陀螺仪故障诊断方法 | |
| CN116959252A (zh) | 基于r-c-r结构的时空卷积交通流预测方法及*** | |
| Zhang et al. | Universal value iteration networks: When spatially-invariant is not universal | |
| CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
| CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 |
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 |