CN107256546A - 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 - Google Patents

基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 Download PDF

Info

Publication number
CN107256546A
CN107256546A CN201710370546.XA CN201710370546A CN107256546A CN 107256546 A CN107256546 A CN 107256546A CN 201710370546 A CN201710370546 A CN 201710370546A CN 107256546 A CN107256546 A CN 107256546A
Authority
CN
China
Prior art keywords
mrow
msup
mtr
mtd
munderover
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
Application number
CN201710370546.XA
Other languages
English (en)
Other versions
CN107256546B (zh
Inventor
辛斌
王天真
张米露
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201710370546.XA priority Critical patent/CN107256546B/zh
Publication of CN107256546A publication Critical patent/CN107256546A/zh
Application granted granted Critical
Publication of CN107256546B publication Critical patent/CN107256546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

本发明公开了一种基于主元分析‐卷积池化‐softmax回归的海流机叶片附着物故障诊断方法。该方法首先提取原始图片中大量的局部小图片作为样本数据，然后利用主元分析提取样本数据中m个主成分的平均特征作为卷积核；其次利用m个平均特征分别与每幅原始图片做卷积运算，分别得到每幅图片的m个卷积特征，进行池化处理降低卷积特征维数作为最后的训练样本，最后通过softmax分类器对训练样本进行分类，并输出故障类别的概率，即叶片被附着物覆盖的程度。本发明的故障诊断策略是用于图像识别和多分类的故障诊断中具有明显的优势，且计算复杂度，训练速度较快，softmax分类器的输出含有概率统计的意义，为分析不确定性问题提供了帮助。

Description

基于PCA卷积池化SOFTMAX的海流机叶片附着物故障诊断方法
技术领域：
本发明涉及海流发电系统中涡轮机叶片附着物的故障诊断，尤其涉及一种基于PCA‐卷积池化‐softmax的故障诊断方法。
背景技术：
海流主要是指海底水道和海峡中较为稳定的流动以及由于潮汐导致的有规律的海水流动，是一种以动能形式展现的海洋能。海流发电系统是将海流能转换成电能的设备，相比与其他能源：海流发电比较稳定，可连续发电；海流发电机在水下，不侵占宝贵的陆上土地资源，没有噪声和视觉污染；风电和海流发电的原理相似，但因为海水密度是空气密度的1000倍，所以依然能够利用洋流发出可观的电力。然而与一般工作在干燥、清洁、温度可控和方便维修的陆地设备相比，海流发电机组对故障检测和诊断的精度要求更高，一旦发生故障，机械的维护需要将机组整体抬出水面或者潜水员进行水下维护会造成海流发电系统维护成本很高。除了传统故障以外，海流机还受海洋环境影响产生附着物、生物淤积和腐蚀生锈现象，造成多故障耦合。另一方面，海流发电系统受太阳、月球引力以及浪涌等影响，导致海流流速变化不稳定，使得海流机长期工作在非稳定工况，然而当前稳定工况的方法无法满足海流发电系统故障检测和诊断的需求。因此研究海流发电系统非稳定工况下的故障检测和诊断方法尤为重要。
目前相对于风力发电，海流发电系统起步较晚，针对其的故障诊断研究还处于起步阶段。大多数的诊断方法还是通过提取海流机的输出电压或电流作为故障诊断信号，但是面对复杂的水下环境，单一的电压或者电流信号不足以满足精确诊断出叶片是否被海底生物缠绕，不能及时维护，会造成叶片快速被海底生物淤积，造成输出电压效率降低，波形发生畸变对电气设备造成危害。
发明内容：
本发明的目的是要解决上述海流机叶片附着物故障的问题，为了及时发现叶片被海底生物缠绕，避免造成叶片大面积的生物淤积，利用图像数据作为诊断信息，通过PCA算法提取图片局部的特征信息作为卷积核，与图像做卷积并通过池化降维，最后采用softmax回归，输出各类别的概率，输出具有概率统计意义，便于分析不确定性问题。
为了实现上述目的，本发明所提出的技术方案如下：
1.构建一个海流机叶片附着物故障的实验平台
利用低速海流发电系统，模拟海流机在水下的工作状态，并根据生物淤积的过程，从叶片被生物附着，繁衍至大面积覆盖，模拟叶片被海底生物附着并逐渐产生淤积的过程。根据叶片被海底生物附着和覆盖的程度，即海流机的叶片表面被生物覆盖的面积占叶片总面积的比例(0％‐100％)，依次通过水下传感器拍摄叶片正面彩色图像信息作为分析数据，建立故障与分类特征集；
2.提取图片局部信息
从无标签的图片中提取局部图片作为特征提取样本；
3.数据预处理
对样本数据进行零均值处理，并通过ZCA白化以降低图像像素之间的相关度；
4.提取特征主元
利用PCA算法，提取与处理过的样本数据，按照累积共享率提取样本数据的主要特征作为卷积核；
5.计算卷积特征
将训练样本与提取到的特征做卷积运算并保存卷积特征；
6.池化降维
为降低卷积特征的维数，便于分类器工作，选取池化尺寸，降低卷积特征的维数；7.模型训练阶段
根据池化后的卷积特征数据训练softmax分类器，以达到分类效果。
8.实时诊断阶段
采集实时测试样本，将测试图片与PCA提取的特征做卷积运算，采用步骤6 同样的池化尺寸降低特征维数，然后输入到已训练好的softmax分类器，即可得到实时样本的概率输出结果，并将其中概率最大的类别作为样本分类的诊断结果。
本发明的技术效果在于：本发明采用的PCA‐卷积池化‐softmax方法，首先在对处理叶片附着物故障时，不只以一维的电压或电流信号作为故障诊断数据，可以应用在二维的图像数据处理上，同时利用的图像的特性，可以利用PCA快速的提取叶片附着物故障相关图片的特征信息，通过卷积可以将局部信息作用于图像的各个区域，同时利用池化可以减低卷积特征的维数方便最后分类，softmax 分类器的输出为概率输出，具有概率统计的意义，便于分析不确定性问题。该策略只需要图像作为诊断的数据源，因此也可以避免大量的传感器使用，降低了系统的复杂度和成本。
附图说明
图1为本发明的故障诊断方案的线下训练流程图和线上实时监测图
具体实施方式：
为了使本发明实现的技术手段、创作特征、达成目的清晰可见，下面结合具体图示，进一步阐释发明。
一种海流机叶片附着物的故障诊断方法，方法主要有四部分组成，采集图像数据，数据预处理，特征提取，诊断分类。本发明主要主要将这四部相结合并通过摄像传感器及时发现叶片的附着物故障。接下来将具体介绍本发明所提出的 PCA‐卷积池化‐softmax海流机叶片附着物故障诊断方法。
步骤1：构建一个海流机叶片附着物故障的实验平台
利用低速海流发电系统，模拟海流机在水下的工作状态，并根据生物淤积的过程，从叶片被生物附着，繁衍至大面积覆盖，模拟叶片被海底生物附着并逐渐产生淤积的过程。根据叶片被海底生物附着和覆盖的程度，即海流机的叶片表面被生物覆盖的面积占叶片总面积的比例(0％‐100％)，依次通过水下传感器拍摄叶片正面彩色图像信息作为分析数据，建立故障与分类特征集；
步骤2：提取图片局部信息
步骤1拍摄到了图像数据分为三组，一组为无标签数据Xunlabel有munlabel幅图，一组作为训练数据Xtrain共含有mtrain幅图，一组为测试数据Xtest共有mtest幅图，所有图像数据像素都为320*320。从训练样本Xunlabel中的每一幅图中提取像素值为20*20的k个局部图片。共组成(20*20*3)*(k*munlabel)维特征提取矩阵Xsample
步骤3：数据预处理
对步骤2的特征提取矩阵Xsample进行零均值化，而后再进行ZCA白化处理以降低图像像素间的相关度。算法先计算协方差计算其特征值对角矩阵S和对应特征向量 U,计算出ZCA白化后的样本数据ε为白化参数。
步骤4：提取特征主元
(1)根据步骤3ZAC白化后的样本数据Xwhitening∈a*b，a为每幅20*20图片的像素点数，b为从无标签数据Xunlabel中提取的图片个数。
(2)计算Xwhitening的协方差矩阵，并求解其特征值λ和对应特征向量P。
协方差矩阵
根据方程|λI-CX|＝0与方程|λiI-CX|pi＝0,i＝1,2,…,b求出特征值λ和相应的特征向量P，其中，I为单位矩阵，λi为CX的第i个特征值，并且满足λ1≥λ2≥…≥λb，pi是对应于λi的特征向量。
(3)通过选择累积贡献率，求出前q个主元
CL为自设置参考标准，常选95％
(4)根据累计贡献率取前q个较大的特征值对应的特征向量构成变化矩阵 P
P＝(p1,p2,…,pq)，q＜b
(5)根据YPCA＝X*P,YPCA∈a*q计算前q个主成分，以达到特征提取的目的。
步骤5：计算卷积特征
步骤4提取的特征YPCA为q组像素为20*20的彩色图像特征。将训练样本 Xtrain和测试样本Xtest中每幅像素为320*320图中的每个20*20的局部区域分别与q组20*20的特征图做卷积运算，即将YPCA中的每个20*20矩阵的行和列向量分别调换，再与训练和测试样本中像素320*320图中每个20*20局部区域所对应的像素点做乘积再相加，最后通过sigmoid激活函数(f(z)＝1/(1+exp(-z))) 激活，得到这一区域的卷积特征值。每幅图会得到q组(320‐20+1)*(320‐20+1) 个卷积特征矩阵。最终得到训练样本的卷积特征和测试样本卷积特征
步骤6：池化降维
根据图像的特性，将每幅图每组301*301维卷积特征矩阵降到低维，池化尺寸选43，即将301*301的矩阵按照43*43维度作为一个整体，求出这个整体的平均特征作为池化后的卷积特征，故池化后的每幅图每组特征为(301/43,301/43) 维矩阵。
步骤7：训练softmax分类器
利用步骤6得到的池化后的训练特征来训练softmax分类器，并设置类别标签F∈{1,2,...,k}，其中1为叶片无附着物状态，2，…，k为叶片被附着物覆盖的程度。初始化θ∈k*(q*7*7)的二维参数矩阵。则softmax分类器的输出为一阶概率矩阵，该概率表示样本属于类别“k”。因此它的类标签可以从1到k，系统方程为：
该矩阵的每一行可被当做是一个分类标签所对应的分类器参数，总共有k行。其代价参数为：
1{·}是一个指示性函数，当大括号中的等式值为真时，则函数的值为1，否则值就为0。等式右边第二项为权值衰减项，这个衰减项会惩罚过大的参数。它可以使原来代价函数变成严格的凸函数，保证得到唯一解。代价函数对参数θ的偏导函数的表达式如下：
知道了训练样本，代价函数和其偏导数，利用最降梯度迭代算法求参数θ，根据设置的迭代次数条件和代价函数的取值要求，通过循环迭代可以获得最终参数θ并记录；
步骤8：测试阶段
将池化后的测试卷积特征输入至分类器，得到各个样本的概率输出，并将概率最大的结果所对应的类别作为最终分类结果。所有流程均如图1所示。

Claims (1)

1.一种基于PCA卷积池化SOFTMAX的海流机叶片附着物故障诊断方法，其特征在于依次包括以下步骤：
步骤1：构建一个海流机叶片附着物故障的实验平台
利用低速海流发电系统，模拟海流机在水下的工作状态，并根据生物淤积的过程，从叶片被生物附着，繁衍至大面积覆盖，模拟叶片被海底生物附着并逐渐产生淤积的过程；根据叶片被海底生物附着和覆盖的程度，即海流机的叶片表面被生物覆盖的面积占叶片总面积的比例，比例范围在0％‐100％，依次通过水下传感器拍摄叶片正面彩色图像信息作为分析数据，建立故障与分类特征集；
步骤2：提取图片局部信息
步骤1拍摄到的图像数据分为三组，一组为无标签数据Xunlabel有munlabel幅图，一组作为训练数据Xtrain共含有mtrain幅图，一组为测试数据Xtest共有mtest幅图，所有图像数据像素都为320*320；从训练样本Xunlabel中的每一幅图中提取像素值为20*20的k个局部图片；共组成(20*20*3)*(k*munlabel)维特征提取矩阵Xsample；
步骤3：数据预处理
对步骤2的特征提取矩阵Xsample进行零均值化，而后再进行ZCA白化处理以降低图像像素间的相关度；算法先计算协方差计算其特征值对角矩阵S和对应特征向量U,计算出ZCA白化后的样本数据ε为白化参数；
步骤4：提取特征主元
(1)根据步骤3ZAC白化后的样本数据Xwhitening∈a*b，a为每幅20*20图片的像素点数，b为从无标签数据Xunlabel中提取的图片个数；
(2)计算Xwhitening的协方差矩阵，并求解其特征值λ和对应特征向量P；
协方差矩阵为
根据方程|λI-CX|＝0与方程|λiI-CX|pi＝0,i＝1,2,…,b求出特征值λ和相应的特征向量P，其中，I为单位矩阵，λi为CX的第i个特征值，并且满足λ1≥λ2≥…≥λb，pi是对应于λi的特征向量；
(3)通过选择累积贡献率，求出前q个主元
<mrow> <mi>C</mi> <mi>P</mi> <mi>V</mi> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>=</mo> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mo>/</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>b</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mn>100</mn> <mi>%</mi> <mo>&amp;GreaterEqual;</mo> <mi>C</mi> <mi>L</mi> </mrow>
CL为自设置参考标准，选择95％；
(4)根据累计贡献率取前q个较大的特征值对应的特征向量构成变化矩阵P
P＝(p1,p2,…,pq)，q＜b
(5)根据YPCA＝X*P,YPCA∈a*q计算前q个主成分，以达到特征提取的目的；
步骤5：计算卷积特征
步骤4提取的特征YPCA为q组像素为20*20的彩色图像特征；将训练样本Xtrain和测试样本Xtest中每幅像素为320*320图中的每个20*20的局部区域分别与q组20*20的特征图做卷积运算，即将YPCA中的每个20*20矩阵的行和列向量分别调换，再与训练和测试样本中像素320*320图中每个20*20局部区域所对应的像素点做乘积再相加，最后通过sigmoid激活函数(f(z)＝1/(1+exp(-z)))激活，得到这一区域的卷积特征值。每幅图会得到q组(320‐20+1)*(320‐20+1)个卷积特征矩阵；最终得到训练样本的卷积特征和测试样本卷积特征
步骤6：池化降维
根据图像的特性，将每幅图每组301*301维卷积特征矩阵降到低维，池化尺寸选43，即将301*301的矩阵按照43*43维度作为一个整体，求出这个整体的平均特征作为池化后的卷积特征，故池化后的每幅图每组特征为(301/43,301/43)维矩阵；
步骤7：训练softmax分类器
利用步骤6得到的池化后的训练特征来训练softmax分类器，并设置类别标签F∈{1,2,...,k}，其中1为叶片无附着物状态，2，…，k为叶片被附着物覆盖的程度；初始化θ∈k*(q*7*7)的二维参数矩阵；则softmax分类器的输出为一阶概率矩阵，该概率表示样本属于类别“k”；因此它的类标签可以从1到k，系统方程为：
<mrow> <msub> <mi>h</mi> <mi>&amp;theta;</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>p</mi> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>1</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mn>2</mn> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>p</mi> <mo>(</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>k</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&amp;theta;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mn>1</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mn>2</mn> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced> </mrow>
该矩阵的每一行可被当做是一个分类标签所对应的分类器参数，总共有k行；softmax分类器的代价参数为：
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <msub> <mi>m</mi> <mrow> <mi>t</mi> <mi>r</mi> <mi>a</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mfrac> <mo>&amp;lsqb;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mn>1</mn> <mo>{</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mfrac> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mi>j</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mi>e</mi> <mrow> <msubsup> <mi>&amp;theta;</mi> <mi>l</mi> <mi>T</mi> </msubsup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> </mrow> </msup> </mrow> </mfrac> <mo>&amp;rsqb;</mo> <mo>+</mo> <mfrac> <mi>&amp;lambda;</mi> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>n</mi> </munderover> <msubsup> <mi>&amp;theta;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> </mrow>
1{·}是一个指示性函数，当大括号中的等式值为真时，则函数的值为1，否则值就为0；等式右边第二项为权值衰减项，这个衰减项会惩罚过大的参数，它可以使原来代价函数变成严格的凸函数，保证得到唯一解；代价函数对参数θ的偏导函数的表达式如下：
<mrow> <msub> <mo>&amp;dtri;</mo> <msub> <mi>&amp;theta;</mi> <mi>j</mi> </msub> </msub> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <msub> <mi>m</mi> <mrow> <mi>t</mi> <mi>r</mi> <mi>a</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>{</mo> <msup> <mi>&amp;gamma;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>}</mo> <mo>-</mo> <mi>p</mi> <mo>(</mo> <mrow> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>j</mi> <mo>|</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>;</mo> <mi>&amp;theta;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>+</mo> <msub> <mi>&amp;lambda;&amp;theta;</mi> <mi>j</mi> </msub> </mrow>
知道了训练样本，代价函数和其偏导数，利用最降梯度迭代算法求参数θ，根据设置的迭代次数条件和代价函数的取值要求，通过循环迭代可以获得最终参数θ并记录；
步骤8：测试阶段
将池化后的测试卷积特征输入至分类器，得到各个样本的概率输出，并将概率最大的结果所对应的类别作为最终分类结果。
CN201710370546.XA 2017-05-23 2017-05-23 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法 Active CN107256546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710370546.XA CN107256546B (zh) 2017-05-23 2017-05-23 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710370546.XA CN107256546B (zh) 2017-05-23 2017-05-23 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法

Publications (2)

Publication Number Publication Date
CN107256546A true CN107256546A (zh) 2017-10-17
CN107256546B CN107256546B (zh) 2020-09-15

Family

ID=60027671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710370546.XA Active CN107256546B (zh) 2017-05-23 2017-05-23 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法

Country Status (1)

Country Link
CN (1) CN107256546B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647707A (zh) * 2018-04-25 2018-10-12 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN109100648A (zh) * 2018-05-16 2018-12-28 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN109765003A (zh) * 2019-01-18 2019-05-17 上海海事大学 基于希尔伯特变换的叶片不平衡故障电信号特征提取方法
CN109949264A (zh) * 2017-12-20 2019-06-28 深圳先进技术研究院 一种图像质量评价方法、设备及存储设备
WO2019128056A1 (zh) * 2017-12-25 2019-07-04 深圳大学 温度系数的确定方法及装置
CN110863935A (zh) * 2019-11-19 2020-03-06 上海海事大学 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法
CN111062229A (zh) * 2018-10-16 2020-04-24 北京金风科创风电设备有限公司 用于风力发电机组外转子识别的方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09310605A (ja) * 1996-05-22 1997-12-02 Ishikawajima Harima Heavy Ind Co Ltd ガスタービンの動翼故障診断方法および装置
CN101592590A (zh) * 2008-05-26 2009-12-02 唐德尧 一种转动叶片故障间接诊断技术
CN102944418A (zh) * 2012-12-11 2013-02-27 东南大学 一种风电机组叶片故障诊断方法
US20130173042A1 (en) * 2011-12-28 2013-07-04 Hitachi High-Technologies Corporation Semiconductor manufacturing equipment
CN103761372A (zh) * 2014-01-06 2014-04-30 上海海事大学 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN106017876A (zh) * 2016-05-11 2016-10-12 西安交通大学 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN106096660A (zh) * 2016-06-22 2016-11-09 东南大学 基于独立成分分析算法的卷积神经网络
CN106682814A (zh) * 2016-11-28 2017-05-17 华北电力大学 一种基于故障知识库的风电机组故障智能诊断方法
CN106768933A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种基于遗传算法的风电机组叶片故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09310605A (ja) * 1996-05-22 1997-12-02 Ishikawajima Harima Heavy Ind Co Ltd ガスタービンの動翼故障診断方法および装置
CN101592590A (zh) * 2008-05-26 2009-12-02 唐德尧 一种转动叶片故障间接诊断技术
US20130173042A1 (en) * 2011-12-28 2013-07-04 Hitachi High-Technologies Corporation Semiconductor manufacturing equipment
CN102944418A (zh) * 2012-12-11 2013-02-27 东南大学 一种风电机组叶片故障诊断方法
CN103761372A (zh) * 2014-01-06 2014-04-30 上海海事大学 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略
CN106017876A (zh) * 2016-05-11 2016-10-12 西安交通大学 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN106096660A (zh) * 2016-06-22 2016-11-09 东南大学 基于独立成分分析算法的卷积神经网络
CN106682814A (zh) * 2016-11-28 2017-05-17 华北电力大学 一种基于故障知识库的风电机组故障智能诊断方法
CN106768933A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种基于遗传算法的风电机组叶片故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MILU Z.等: "Imbalance fault detection of marine current turbine under condition of wave and turbulence", 《IECON 2016 - 42ND ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 *
张引弦: "基于PCA和C-SVM的涡轮部件故障诊断", 《舰船科学技术》 *
王天真 等: "相对主元分析方法及其在故障检测中的应用", 《系统仿真学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949264A (zh) * 2017-12-20 2019-06-28 深圳先进技术研究院 一种图像质量评价方法、设备及存储设备
WO2019128056A1 (zh) * 2017-12-25 2019-07-04 深圳大学 温度系数的确定方法及装置
CN108647707A (zh) * 2018-04-25 2018-10-12 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN108647707B (zh) * 2018-04-25 2022-09-09 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN109100648A (zh) * 2018-05-16 2018-12-28 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN109100648B (zh) * 2018-05-16 2020-07-24 上海海事大学 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法
CN111062229A (zh) * 2018-10-16 2020-04-24 北京金风科创风电设备有限公司 用于风力发电机组外转子识别的方法及装置
CN109765003A (zh) * 2019-01-18 2019-05-17 上海海事大学 基于希尔伯特变换的叶片不平衡故障电信号特征提取方法
CN110863935A (zh) * 2019-11-19 2020-03-06 上海海事大学 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法
CN110863935B (zh) * 2019-11-19 2020-09-22 上海海事大学 基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法

Also Published As

Publication number Publication date
CN107256546B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN107256546A (zh) 基于pca卷积池化softmax的海流机叶片附着物故障诊断方法
Cuadra et al. Computational intelligence in wave energy: Comprehensive review and case study
CN108830242A (zh) 基于卷积神经网络的sar图像海洋目标分类检测方法
CN108564611A (zh) 一种基于条件生成对抗网络的单目图像深度估计方法
CN112232156B (zh) 一种基于多头注意力生成对抗网络的遥感场景分类方法
CN102096825A (zh) 基于图的半监督高光谱遥感图像分类方法
CN109086824A (zh) 一种基于卷积神经网络的海底底质声呐图像分类方法
CN108875659A (zh) 一种基于多光谱遥感影像的海图养殖区识别方法
CN106023065A (zh) 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN107316004A (zh) 基于深度学习的空间目标识别方法
CN105550709A (zh) 一种遥感影像输电线路走廊森林区域提取方法
CN110162475A (zh) 一种基于深度迁移的软件缺陷预测方法
CN105787501A (zh) 输电线路走廊区域自动选择特征的植被分类方法
CN113688948A (zh) 一种基于YOLO v5的附着海生物种类识别方法
CN109344777A (zh) 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法
Yang et al. MSFusion: Multistage for remote sensing image spatiotemporal fusion based on texture transformer and convolutional neural network
Liu et al. Land Use and Land Cover Mapping in China Using Multi-modal Fine-grained Dual Network
Ni et al. An improved attention-based bidirectional LSTM model for cyanobacterial bloom prediction
CN106023179A (zh) 基于几何活动轮廓模型的sar图像海岸线提取方法
Dewi et al. Performance evaluation of distance function in KNN and WKNN for classification of soil organic matter
Xia et al. Environmental factor assisted chlorophyll-a prediction and water quality eutrophication grade classification: A comparative analysis of multiple hybrid models based on a SVM
Ye et al. Ca-STANet: Spatiotemporal Attention Network for Chlorophyll-a Prediction With Gap-Filled Remote Sensing Data
Abbas et al. Parameter investigation of artificial neural network and support vector machine for image classification
Yi et al. MHA-CNN: Aircraft fine-grained recognition of remote sensing image based on multiple hierarchies attention
Wang et al. Fuzzy integral based information fusion for water quality monitoring using remote sensing data

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