CN109840479B - 健康状态匹配方法及装置 - Google Patents
健康状态匹配方法及装置 Download PDFInfo
- Publication number
- CN109840479B CN109840479B CN201910009477.9A CN201910009477A CN109840479B CN 109840479 B CN109840479 B CN 109840479B CN 201910009477 A CN201910009477 A CN 201910009477A CN 109840479 B CN109840479 B CN 109840479B
- Authority
- CN
- China
- Prior art keywords
- degradation
- characteristic data
- gradient
- matching
- target
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种健康状态匹配方法及装置。该方法包括:在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述状态识别目标特征数据进行形态谱熵值计算、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
Description
技术领域
本发明涉及电子设备领域,具体涉及一种健康状态匹配方法及装置。
背景技术
“健康”一词,最初着眼于生物学领域,将待研究系统看作经历从出生到死亡的可测寿命周期的个体,每一个周期通常都有用日历天或小时表示的一定的持续时间段。后来该概念逐渐引申到工程设备维护行为中。
构建反映系统健康状态的特征量时,如何从监测信号中提取出有效表征系统健康状态的特征参数,是实现系统寿命预测面临的基本问题。常规地,获取信号特征量可以采用频域分析的方法,如包络分析和反卷积滤波等;采用时域-频域混合分析的方法,如小波分析等。统计分析的方法,如使用监测信号的均方根、峰值因数、峭度、形状因子、脉冲因子等。近年来,起源于图像处理领域的数学形态学也被尝试用于解决特征量表征问题,该方法具有特征描述准确而算法简单等优点,为信号的分析和识别提供了新的思路。
数学形态分析在信号特征提取、模式识别等方面已得到了应用。T.Venkateswara等研究了数学形态学在识别电源变压器内部故障方面的应用,验证了该方法与小波分析法具有同样的信号表征效果而具有较小的算法复杂度;Juan Manuel Ramirez-Cortes等研究了基于形态谱的手型特征提取方法,并通过距离分类准则、神经网络以及支持向量机算法进行了模式识别,比较并验证了该方法的有效性;K.C.Gryllias等将形态学指数用于变速箱的故障检测中。
数学形态学的以上应用大多都局限于模式识别领域,在表征系统性能退化指标方面的尝试还鲜有报道。以多尺度数学形态学和频谱熵值为基础,基于不同退化模式下信号特征量对应不同取值范围,同一退化模式下各性能状态段具有不同趋势变化率的思想,采用高位和低位编码方法分层标定退化模式及健康状态,将退化模式及趋势状态识别的优化问题统一为编码匹配的问题,以提高系统健康状态评估的高效性。
发明内容
本发明的目的是提供一种健康状态匹配方法及装置,具有提高监测准确度及处理速度的有益效果。
本发明实施例提供了一种健康状态匹配方法,所述方法包括以下步骤:
在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;
基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F;
根据所述分形维数F读取退化模式模板,匹配以得到当前退化模式M;
对所述状态识别目标特征数据进行形态谱熵值计算、模糊化及趋势标定处理,以生成当前退化梯度h;
根据所述退化梯度h读取退化状态模板,以获取当前退化模式M下的目标退化梯度h′;
基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
在本发明所述的健康状态匹配方法中,所述在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据的步骤包括:
在线读取所述电子设备的系统的用于性能识别的特征数据;
对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,以得到所述目标特征数据。
在本发明所述的健康状态匹配方法中,所述基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F的步骤包括:
根据所述模式识别目标特征数据计算不同尺度下所述模式识别目标特征数据的信号的覆盖面积;
根据所述覆盖面积对所述模式识别目标特征数据进行分形维数拟合以得到分形维数F。
在本发明所述的健康状态匹配方法中,所述根据所述分形维数F代码读取退化模式模板,以得到当前退化模式M的步骤包括:
对所述分形维数F实施高位编码;
根据形态维数代码与退化模式模板进行匹配以得到当前退化模式M。
在本发明所述的健康状态匹配方法中,所述对所述状态识别目标特征数据进行形态谱熵值计算、模糊化及趋势标定处理,以生成当前退化梯度h的步骤包括:
对所述状态识别目标特征数据计算形态谱熵值;
对所述形态谱熵值进行模糊化处理;
对所述模糊化处理结果进行梯度标定,以生成当前退化梯度h。
在本发明所述的健康状态匹配方法中,所述根据所述退化梯度h读取退化状态模板,以获取当前退化模式M下的目标退化梯度h′的步骤包括:
对所述退化梯度h实施低位编码;
根据退化梯度代码与退化状态模板进行匹配以得到当前退化模式M下的目标退化梯度h′。
一种健康状态匹配装置,包括:
预处理模块,用于在线读取电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;
拟合模块,用于基于多尺度数学形态学对所述模式识别目标特征数据进行拟合产以生分形维数F;
第一读取模块,用于根据所述分形维数F实施高位编码,根据高位代码读取退化模式模板,匹配以得到当前退化模式M;
生成模块,用于对所述状态识别目标特征数据计算形态谱熵值、熵值模糊化,以生成当前退化梯度h;
第二读取模块,用于根据所述退化梯度h实施低位编码,根据低位代码读取退化状态模式模板,以获取当前退化模式M下的目标退化梯度h′;
匹配模块,用于基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
在本发明所述的健康状态匹配装置中,所述预处理模块用于在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据;并对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,以得到所述目标特征数据。
在本发明所述的健康状态匹配装置中,所述拟合模块用于根据所述目标特征数据计算不同尺度下所述目标特征数据的信号的覆盖面积;以及根据所述覆盖面积对所述目标特征数据进行拟合以得到分形维数F。
由上可知本发明通过在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;对所述退化模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述退化状态目标特征数据进行熵值度量、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
附图说明
图1是本发明实施例提供的健康状态匹配方法的流程示意图。
图2是本发明实施例提供的健康状态匹配装置的结构示意图。
图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的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。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本发明提供了的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
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,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明的说明书和权利要求书以及上述附图中的术语“第一”、“第二”、“第三”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应当理解,这样描述的对象在适当情况下可以互换。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤的过程、方法或包含了一系列模块或单元的装置、电子设备、系统不必限于清楚地列出的那些步骤或模块或单元,还可以包括没有清楚地列出的步骤或模块或单元,也可以包括对于这些过程、方法、装置、电子设备或系统固有的其它步骤或模块或单元。
请参照图1,图1是本发明一些实施例中的一种健康状态匹配方法的流程图,用于电子设备中,以检测该电子设备的健康状态。该方法包括以下步骤:
S101、在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据。
其中,该步骤S101具体包括:在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据;对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,从而所述目标特征数据。
数据预处理中包含序列周期划分、序列差值计算、形态学腐蚀和膨胀处理;时域波形包含原始信号的大量信息,在系统性能发生退化和出现故障时,以时间序列表示的特征信号往往表现出一定的规律。因此,可以采用多尺度形态学分析的方法来提取不同状态下信号的特征。
S102、基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F。
其中,该步骤S102具体包括:根据所述模式识别目标特征数据计算不同尺度下所述模式识别目标特征数据信号的覆盖面积;根据所述覆盖面积对所述模式识别目标特征数据进行分形维数拟合以得到分形维数F。
基于“尺度λ下的度量”这一思想,分形维数表示复杂形体占有空间的有效性,是对形体不规则性的度量,为复杂信号提供了一种几何结构分析方法。分形维数的定义如式(1)所示。
其中,λ表示小立方体的边长,Nnum(λ)是用此小立方体覆盖被测物体所得到的数目。式(2)表示用边长为λ的小立方体覆盖被测形体来确定形体的维数。
使用形态学腐蚀和膨胀运算,结合波形复杂度的概念来计算信号的分形维数,定义尺度λ下信号的覆盖面积如式(2)所示。
由此得到一系列[λ,Ag(λ)],使用最小二乘法得到拟合直线的斜率,就是时序波形信号的维数估计值,对应式(3)中的参数F。其中,c表示常数。
其中,该步骤S102可以为:
步骤1:设定参数。包括时序数据处理单元i及单元最大数目imax,形态学变化尺度λ及最大尺度λmax,结构函数g、编码精度Δth等。
步骤2:读取系统各工作循环信号波形xi,构建基于形态特性的性能退化信号离散序列f(i)=xi-x1。令λ=1,i=1。以尺度λ,结构函数g对f(i)作腐蚀和膨胀运算。
步骤3:计算尺度λ下f(i)的波形覆盖面积Ag(λ)。
步骤4:判断尺度λ遍历是否完成(即:λ=λmax是否成立)。若是,转步骤5;若否,尺度增加(即:λ=λ+1),转步骤3。
步骤5:拟合波形的分形维数F,判断是否遍历波形信号(即:i=imax是否成立)。若是,转步骤6;若否,信号更新(即:i=i+1),转步骤2;
步骤6:F结果输出。
S103、根据所述分形维数F读取退化模式模板,并实施高位编码,匹配以得到当前退化模式M。
其中,该步骤S103具体包括:对所述分形维数F进行形态维数范围标定;对所述分形维数F进行高位编码;对所述形态维数代码与退化模式模板进行匹配以得到当前退化模式M。
S104、对所述状态识别目标特征数据进行形态谱熵、模糊化及趋势标定处理,以生成当前退化梯度h。
其中,该步骤S104具体包括:计算所述状态识别目标特征数据在不同尺度下的形态谱熵值,并将所述形态谱熵值模糊化、趋势标定已获得当前退化梯度h。
令f(x)为非负函数,x∈Rm,m=1,2,…,N,g(x)为凸的结构函数,N和K分别表示开、闭运算的最大尺度。形态结构函数取扁平型元素,令f(x)的开运算形态谱PSf(+λ,g)定义如式(4)所示:
Senm模糊化处理:在给定窗口上建立一个合理的模糊集,使其能够取代原来窗口中的样本信息。
选择模糊信息粒化的隶属度函数为三角形函数,记为Adk;
确定模糊信息粒化窗口Wk及划分子序列dk;
在粒化窗口Wk内,分别构建已用寿命模糊信息粒子核,记为FD_Gk,对应形态谱衰减模糊信息粒子核,记为ws_k。其中,ws_k的构建如式,FD_Gk的构建相似。
生成训练集向量Fdp=[FD_Gk,Ws_k]T。
熵值退化量梯度h:在动态信号FD_Gk的作用下,系统工作点沿性能状态曲线FD_Gk,Ws_k,在实时工作点Qk附近范围内变化,此时可把FD_Gk,Ws_k近似为以Qk点为切点的一条直线,其斜率即系统状态趋势量h=ΔWs_k/ΔFD_Gk。FD_Gk点位置不同,h的值不同,可以用来反映系统的实时健康状态变化趋势量。设定熵值退化梯度h作为健康基准曲线拟合的基本单元。
其中,该步骤S104包括:
步骤1:设定参数。包括数据预处理参数;模糊处理参数:窗口宽度Wk、隶属度函数Adk;回归及编码参数:拟合性能指标均方根误差m、相关系数r、失效阈值δth、编码精度Δth等。
步骤2:对应退化模式编码模板,读取退化模式M下系统各工作循环信号波形yj,构建基于形态特性的性能退化信号离散序列z(j)=yj-y1。令λ=1,j=1。以尺度λ,结构函数g对z(j)作腐蚀和膨胀运算。
步骤3:计算尺度λ下z(j)的形态谱熵Senm。
步骤4:判断尺度λ遍历是否完成(即:λ=λmax是否成立)。若是,转步骤5;若否,尺度增加(即:λ=λ+1),转步骤3。
步骤5:以Senm为输入,划分模糊信息粒化窗口,生成时间参数子序列dk,在模糊信息粒化窗口Wk内构建熵值退化粒子ws_k。
步骤6:以ws_k为基本数据单元,拟合系统健康基准曲线Pdp。
步骤7:计算曲线Pdp的退化梯度h。
步骤8:判断是否遍历波形信号(即:j=jmax是否成立)。若是,转步骤9;若否,信号更新(即:j=j+1),转步骤3。
步骤9:输出h。
S105、读取数据库以获取当前退化模式M下的目标退化梯度h′。
用于根据所述退化梯度h,进行低位编码,读取退化状态模式模板,以获取当前退化模式M下的目标退化梯度h′;
S106、基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
退化模式匹配的输入为代码高三位A5~A3,输出为模式M7~M0,即对8种退化模式进行匹配;其次进行健康状态匹配,输入分两部分,包括退化模式匹配结果,记为Mi、代码低三位输入A2~A0,输出为该种退化模式下的健康级别D7~D0,即将健康状态划分为8个范围段,对应不同的健康指数HI。
由上可知本发明通过在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;对所述退化模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述退化状态目标特征数据进行熵值度量、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
请参照图2,图2是本发明一些实施例中的一种健康状态匹配装置的结构图,该装置包括:预处理模块201、拟合模块202、第一读取模块203、生成模块204、第二读取模块205以及匹配模块206。
其中,该预处理模块201,用于在线读取电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理;并对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,以得到所述目标特征数据。
其中,数据预处理中包含序列周期划分、序列差值计算、形态学腐蚀和膨胀处理。时域波形包含原始信号的大量信息,在系统性能发生退化和出现故障时,以时间序列表示的特征信号往往表现出一定的规律。因此,可以采用多尺度形态学分析的方法来提取不同状态下信号的特征。
其中,该拟合模块202,用于基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F。其中,该拟合模块202用于根据所述模式识别目标特征数据计算不同尺度下所述模式识别目标特征数据的信号的覆盖面积;根据所述覆盖面积对所述模式识别目标特征数据进行拟合以得到分形维数F。
其中,该第一读取模块203,用于根据所述分形维数F进行形态维数范围标定及高位编码,与退化模式模板进行匹配以得到当前退化模式M。
其中,该生成模块204,用于根据所述状态识别目标特征数据,计算所述状态识别目标特征数据在不同尺度下的形态谱熵值,并对所述形态谱熵值模糊化、趋势标定以获得形态退化梯度h。
其中,该第二读取模块205,用于读取数据库以获取当前退化模式M下的目标退化梯度h′。
其中,该匹配模块206,用于基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
其中,退化模式匹配的输入为代码高三位A5~A3,输出为模式M7~M0,即对8种退化模式进行匹配;其次进行健康状态匹配,输入分两部分,包括退化模式匹配结果,记为Mi、代码低三位输入A2~A0,输出为该种退化模式下的健康级别D7~D0,即将健康状态划分为8个范围段,对应不同的健康指数HI。
由上可知本发明通过在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;对所述退化模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述退化状态目标特征数据进行熵值度量、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
本发明利用同一退化模式下特征信号表现出相似性的特点,对退化模式及各模式下特征值的范围进行二次分层标定,逐步细化性能特征值范围。
本发明采用时域处理代替频域特征提取,缩减算法复杂度。具体的特征值范围标定过程中,首先采用分形维数来初步划分不同的模式范围。其次,在各退化趋势标定过程中,利用形态谱熵值表征健康状态。
本发明利用高位和低位编码方法对应退化模式及健康状态标定值,将信号特征识别统一为二进制编码问题。
本发明考虑退化行为的长期性,性能评估过程需要掌握未来样本整体的变化范围即可。对熵值进行模糊化,定义形态谱熵值退化模糊粒子,在缩减计算复杂度的前提下,最大限度地保留原始样本的特征。
本发明在各健康基准曲线拟合过程中,定义退化梯度来表征系统实时的退化趋势,进一步缩减训练集的范围。
本发明利用代码匹配思想,将模式识别及状态评估的优化问题等效为判定退化特征量在各健康基准曲线上的位置问题。
本发明实施例还提供一种电子设备。该电子设备可以是智能手机、平板电脑等设备。如图3所示,电子设备300包括处理器301和存储器302。其中,处理器301与存储器302电性连接。
处理器301是电子设备300的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器302内的计算机程序,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本实施例中,电子设备300中的处理器301会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的计算机程序,从而实现各种功能:在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;对所述退化模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述退化状态目标特征数据进行熵值度量、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序,从而执行各种功能应用以及数据处理。
本发明实施例还提供一种存储介质,该存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,该计算机执行上述任一实施例所述的方法,以实现:在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;对所述退化模式识别目标特征数据进行拟合以产生分形维数F;根据所述分形维数F读取退化模式模板,以得到当前退化模式M;对所述退化状态目标特征数据进行熵值度量、模糊化及趋势标定处理,以生成当前退化梯度h;读取数据库以获取当前退化模式M下的目标退化梯度h′;基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。本发明具有提高健康状态监测准确度和处理速度的有益效果。
需要说明的是,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,该存储介质可以包括但不限于:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上对本发明实施例所提供的用于电子设备健康状态匹配的方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,因此本发明的保护范围以权利要求界定的范围为准。
Claims (8)
1.一种健康状态匹配方法,应用于电子设备中,以监测电子设备的健康状态,其特征在于,所述方法包括以下步骤:
在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;
基于多尺度数学形态学对所述模式识别目标特征数据进行拟合以产生分形维数F,其中包括:根据所述模式识别目标特征数据计算不同尺度下所述模式识别目标特征数据的信号的覆盖面积;根据所述覆盖面积对所述模式识别目标特征数据进行分形维数拟合以得到分形维数F;
根据所述分形维数F读取退化模式模板,匹配以得到当前退化模式M;
对所述状态识别目标特征数据进行形态谱熵值计算、模糊化及趋势标定处理,以生成当前退化梯度h;
根据所述退化梯度h读取退化状态模板,以获取当前退化模式M下的目标退化梯度h′;
基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
2.根据权利要求1所述的健康状态匹配方法,其特征在于,所述在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据的步骤包括:
在线读取所述电子设备的系统的特征数据;
对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,以得到所述目标特征数据。
3.根据权利要求2所述的健康状态匹配方法,其特征在于,所述根据所述分形维数F读取退化模式模板,匹配以得到当前退化模式M的步骤包括:
对所述分形维数F实施高位编码;
根据形态维数代码与退化模式模板进行匹配以得到当前退化模式M。
4.根据权利要求1所述的健康状态匹配方法,其特征在于,所述对所述状态识别目标特征数据进行形态谱熵值计算、模糊化及趋势标定处理,以生成当前退化梯度h的步骤包括:
对所述状态识别目标特征数据计算形态谱熵值;
对所述形态谱熵值进行模糊化处理;
对所述模糊化处理结果进行梯度标定,以生成当前退化梯度h。
5.根据权利要求1所述的健康状态匹配方法,其特征在于,根据所述退化梯度h读取退化状态模板,以获取当前退化模式M下的目标退化梯度h′的步骤包括:
对所述退化梯度h实施低位编码;
根据退化梯度代码与退化状态模板进行匹配以得到当前退化模式M下的目标退化梯度h′。
6.根据权利要求1所述的健康状态匹配方法,其特征在于,基于所述当前退化梯度h代码以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI的步骤包括:
基于所述当前退化梯度h代码以及所述目标退化梯度h′进行健康状态匹配;
根据所述的匹配结果,代码归一化以获得系统实时的健康指数HI。
7.一种健康状态匹配装置,其特征在于,包括:
预处理模块,用于在线读取电子设备的系统的用于模式识别和状态识别的特征数据并对所述特征数据进行预处理,以得到目标特征数据;
拟合模块,用于基于多尺度数学形态学对所述模式识别目标特征数据进行拟合产以生分形维数F,其中包括:根据所述模式识别目标特征数据计算不同尺度下所述模式识别目标特征数据的信号的覆盖面积;根据所述覆盖面积对所述模式识别目标特征数据进行分形维数拟合以得到分形维数F;
第一读取模块,用于根据所述分形维数F实施高位编码,根据高位代码读取退化模式模板,匹配以得到当前退化模式M;
生成模块,用于对所述状态识别目标特征数据计算形态谱熵值、熵值模糊化,以生成当前退化梯度h;
第二读取模块,用于根据所述退化梯度h实施低位编码,根据低位代码读取退化状态模式模板,以获取当前退化模式M下的目标退化梯度h′;
匹配模块,用于基于所述当前退化梯度h以及所述目标退化梯度h′进行健康状态匹配,以获得系统实时的健康指数HI。
8.根据权利要求7所述的健康状态匹配装置,其特征在于,所述预处理模块用于在线读取所述电子设备的系统的用于模式识别及状态识别的特征数据;并对所述特征数据依次进行序列周期划分操作、序列差值计算操作、形态学腐蚀操作以及膨胀处理操作,以得到所述目标特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910009477.9A CN109840479B (zh) | 2019-01-05 | 2019-01-05 | 健康状态匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910009477.9A CN109840479B (zh) | 2019-01-05 | 2019-01-05 | 健康状态匹配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840479A CN109840479A (zh) | 2019-06-04 |
CN109840479B true CN109840479B (zh) | 2021-04-23 |
Family
ID=66883717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910009477.9A Expired - Fee Related CN109840479B (zh) | 2019-01-05 | 2019-01-05 | 健康状态匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840479B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469346B (zh) * | 2021-08-31 | 2021-11-12 | 盛隆电气集团有限公司 | 一种预测短时区域用电情况监督方法及其装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103050941A (zh) * | 2012-12-19 | 2013-04-17 | 华南理工大学 | 一种基于形态学梯度的变压器励磁涌流识别方法 |
CN104730152A (zh) * | 2015-04-13 | 2015-06-24 | 西安交通大学 | 一种基于分形维数的复合材料结构件裂纹损伤监测方法 |
CN105590023A (zh) * | 2015-12-08 | 2016-05-18 | 三峡大学 | 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 |
CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0705026D0 (en) * | 2007-03-15 | 2007-04-25 | Delphi Tech Inc | Vehicle diagnosis system and method |
-
2019
- 2019-01-05 CN CN201910009477.9A patent/CN109840479B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103050941A (zh) * | 2012-12-19 | 2013-04-17 | 华南理工大学 | 一种基于形态学梯度的变压器励磁涌流识别方法 |
CN104730152A (zh) * | 2015-04-13 | 2015-06-24 | 西安交通大学 | 一种基于分形维数的复合材料结构件裂纹损伤监测方法 |
CN105590023A (zh) * | 2015-12-08 | 2016-05-18 | 三峡大学 | 一种基于信息熵的滚动轴承性能退化模糊粒化预测方法 |
CN107367673A (zh) * | 2017-08-16 | 2017-11-21 | 上海电力学院 | 一种避雷器阀片电阻运行状态诊断方法 |
Non-Patent Citations (2)
Title |
---|
Multivariate-based evaluation methods for system performance;Li Wenjuan等;《2017 3rd IEEE International Conference on Computer and Communications (ICCC)》;20171216;2915-2919 * |
基于气路性能参数的航空发动机故障诊断方法研究;那媛;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第2期);C031-256 * |
Also Published As
Publication number | Publication date |
---|---|
CN109840479A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Modified genetic algorithm-based feature selection combined with pre-trained deep neural network for demand forecasting in outpatient department | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
Seman et al. | Ensemble learning methods using the Hodrick–Prescott filter for fault forecasting in insulators of the electrical power grids | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN112819207A (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN113793332B (zh) | 一种实验仪器缺陷识别分类方法及系统 | |
CN109840479B (zh) | 健康状态匹配方法及装置 | |
CN117010942B (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
Bahri et al. | Time series forecasting using smoothing ensemble empirical mode decomposition and machine learning techniques | |
CN116432088A (zh) | 一种复合光学薄膜层厚智能监测方法及系统 | |
CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及系统 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN113642822B (zh) | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 | |
CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
Zhang et al. | A novel hybrid model based on EMD-BPNN for forecasting US and UK stock indices | |
CN112348220A (zh) | 一种基于企业行为模式的信用风险评估预测方法及系统 | |
Dan et al. | Prediction of metal futures price volatility and empirical analysis based on symbolic time series of high-frequency | |
CN110580494A (zh) | 一种基于分位数逻辑回归的数据分析方法 | |
KR102667862B1 (ko) | 정보 시각화를 이용한 중전기기 모니터링 시스템 및 그 방법 | |
CN117272119B (zh) | 用户画像分类模型训练方法、用户画像分类方法及系统 | |
CN116110526B (zh) | 一种钛合金应力腐蚀临界应力强度因子预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210423 Termination date: 20220105 |
|
CF01 | Termination of patent right due to non-payment of annual fee |