CN110674725B - 基于检测信号的多维特征向量组合的设备信号类型识别方法 - Google Patents
基于检测信号的多维特征向量组合的设备信号类型识别方法 Download PDFInfo
- Publication number
- CN110674725B CN110674725B CN201910891299.7A CN201910891299A CN110674725B CN 110674725 B CN110674725 B CN 110674725B CN 201910891299 A CN201910891299 A CN 201910891299A CN 110674725 B CN110674725 B CN 110674725B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- equipment
- vector
- feature vector
- feature
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012216 screening Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于检测信号的多维特征向量组合的设备信号类型识别方法,其采用技术方案为:首先设置检测信号的特征向量提取方式;提取设备检测信号的不同尺度的区域特征,得到多组特征组;并对其进行多维特征向量组合得到用于工作状态识别处理的特征向量;然后选择用于设备信号类型识别的分类处理的分类器,并以设备的检测信号作为训练样本,提取训练样本的特征向量进行分类器的机器学习处理,得到训练好的分类器;再提取待识别设备的当前待检测信号的特征向量并输入到训练好的分类器中,基于其输出得到待识别设备的设备信号类型识别结果。本发明通过重复增加其在特征向量中的位数,能够有效的提高其对于特征向量的影响度,提高检测的准确度。
Description
技术领域
本发明属于设备工作状态监管技术领域,具体涉及一种基于检测信号的多维特征向量组合的自动设备信号类型识别技术。
背景技术
传统的设备工作状态监管理(设备工作状态监控或者故障分析工作)主要由现场的维护工作人员完成,采用周期性地维护模式。这种方法效率低下,人工成本非常高,并且在这样的情况下,对于工人的经验和判断技术要求比较高,无法实现对设备的状态进行智能化高效地监控和检测。随着神经网络的发展,可以利用神经网络对故障进行智能判断,数据信号中往往有很多冗余的信息,需要对信号进行多种特征提取,对不同特征统计值进行特征向量的组合,减少信号冗余信息,更好的表示不同信号类型。但是当信号特征向量比较接近时,对于信号的检测准确度就相对降低。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于多维特征向量组合的设备信号类型识别处理方案,如,以提高检测准确度。
本发明的基于检测信号的多维特征向量组合的设备信号类型识别方法,包括下列步骤:
步骤一、设置设备的检测信号的特征向量提取方式:
提取设备的检测信号的不同尺度的区域特征;
对每个区域特征,按照自定义的多种特征进行特征统计得到每种特征的统计特征值,基于所有统计特征值得到区域特征向量;
对得到的多个区域特征向量进行多维特征向量组合得到检测信号的特征向量:
基于每个区域特征向量的显著性值确定每个区域特征向量的重复次数,其中,显著性值越大,重复次数越大;
选定待组合的区域特征向量,并基于每个被选定的区域特征向量的重复次数和选取的统计特征值进行组合,并排列成一维向量得到检测信号的特征向量;
用K表示所述检测信号的特征向量的维数,则:K=R1×P1+R2×P2+…Rm×Pm;
其中,m表示被选定的区域特征数量,Pi表示第i个特征区域向量的被选定的维数(即对于区域特征向量,可以对其包括的统计特征值进行删减后再组合),Ri表示第i个区域特征向量的重复次数,i=1,2,…,m。
步骤二、选择用于设备信号类型识别的分类处理的分类器,并以设备的检测信号作为训练样本,提取训练样本的特征向量进行分类器的机器学习处理,得到训练好的分类器;其中信号类型包括但不限于设备的工作状态,设备的故障状态等;
步骤三、按照步骤一的特征向量提取方式,提取待识别设备的当前待检测信号的特征向量并输入到训练好的分类器中,基于其输出得到待识别设备的设备信号类型识别结果。
进一步的,每个区域特征向量的重复次数的具体设置方式为:
指定显著性值最小和最大的区域特征向量的重复次数;
并将显著性值位于最小和最大显著性值之间的区域特征向量的重复次数Ri设置为:[Rmax*(Si-Smin)/(Smax-Smin)],其中[.]为向下取整运算符,其中Smin、Smax分别表示最小和最大显著性值,Si表示第i个区域特征向量的显著性值,Rmax表示显著性值最大的区域特征向量的重复次数。
综上所述,由于采用了上述技术方案,本发明的有益效果是:,
能够实现对于设备的待检测信号进行特征提取后,对特征统计值进行特征向量的组合。得到组合后待处理的特征向量,再利用得到的特征向量进行分类器的机器学习,提高对设备工作状态的识别处理性能。本发明能够比较有效的表征信号特征的特征值,通过重复增加其在特征向量中的位数,能够有效的提高其对于特征向量的影响度,提高检测的准确度。
附图说明
图1是具体实施方式中,本发明的设备工作特征提取流程图。
图2为本发明特征向量组合例图。
图3为本发明采用的神经网络结构图。
图4位本发明的神经网络训练流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
本发明的基于检测信号的多维特征向量组合的设备信号类型识别方法,主要包括两个部分:
第一部分:设备的检测信号的特征向量提取:
提取设备的检测信号的不同尺度的区域特征,并将提取的每个尺度区域特征作为一个特征组;并对得到的多组特征组进行多维特征向量组合得到用于工作状态识别处理的特征向量;
第二部分:采集用于设备信号类型识别的分类器的训练样本集;并基于各训练样本对应的特征向量(第一部分的提取方式)对分类器进行机器学习训练处理,得到满足预设训练需求的分类器;然后再将当前识别的检测信号的特征向量输入到分类器中,基于其输出得到对应的信号类型识别结果。
以神经网络构建的分类器为例,说明本发明的基于检测信号的多维特征向量组合的设备信号类型识别方法的具体实现过程。
参见图1,本发明的基于检测信号的多维特征向量的提取处理过程如下:
步骤1:对设备的检测信号的波形数据(如设备工作时的电机的动作电压,电流,电功率信号等)进行不同尺度的区域特征提取,得到特征区域个数。即基于自定义的区域特征提取方式,对检测信号的波形数据进行基于几何形状特征的特征提取:首先提取对应的几何形状区域,即特征区域;然后分别按照自定义的P种特征进行特征统计得到P种统计特征值,构成该特征区域的一组P位的区域特征向量。
步骤2:对得到的多组特征组(多组区域特征向量),以组为单位的特征组顺序进行任意组合,每组特征向量组内统计值的顺序进行任意组合,得到组合特征向量,即得到检测信号的特征向量,即检测信号的波形数据的特征向量。
例如用N表示特征区域数量,检测信号的特征向量包括的特征组的个数是可变,不同特征组的向量位数P可变,则最终组合的特征向量总位数K为:
K=R1×P1+R2×P2+…Rm×Pm,i=1...m
其中i第i个特征组,组合的特征组数量为m,Pi为第i组特征的维数,Ri是不同特征组的重复次数。其中,每组特征组i需要重复的次数Ri是由各区域特征向量的显著性值Si确定。
例如,对于两类集合形状区域,每类几何形状区域分别包括多组特征组,则特征组之间的顺序按照:几何形状区域1的3个特征组和几何形状区域2的4个特征组进行顺序排列。而对于包括4类特征的特征组而言,特征组内统计特征值依照几何形状区域面积I1,几何形状区域出现时间点坐标值I2,几何形状区域面积占总面积区域比值I3,以及几何形状区域的宽度值I4的顺序进行排列。
本具体实施方式中,每组特征组Ni的显著性采用各特征组的方差来表示,但本发明不局限于方差。
本具体实施方式中,每组特征组Ni的重复次数的具体设置如下;
首先确定显著性最小特征组的重复次数Rmin和显著性最大特征组的重复次数Rmax;其中Rmin的取值通常和直接设置为1,Rmax的取值范围为[2,∞),通常取2至5。
显著性值位于最小显著性值Smin和最大显著性值Smax之间的特征组重复次数Ri=[Rmax*(Si-Smin)/(Smax-Smin)],其中[.]为向下取整运算符。
例如,对于几何形状区域为三角形形状区域和四边形形状区域的自定义区域特征模式,各形状区域的特征类型共设置了4种。预设显著性最小特征组的重复次数Rmin=1和显著性最大特征组的重复次数Rmax=4。假设当前计算得到的三角形形状区域1的方差Si=3,四边形形状区域2的方差Si=4.4;由方差确定对应的显著性值,则可以得到三角形形状区域1所对应的特征组的重复次数为1;四边形形状区域2所对应的特征组的重复次数为4,从而可以得到如图2所示的最终组合结果。
进一步的,对于所定义的每组特征组位数中,除对相应的特征进行特征统计值的位数分配和排列以外,可以分配数据扩展位,并可以进行扩展位的任意排列,其数值可采用任意数值。
本具体实施方式中,自定义的几何形状区域包括三角形形状区域和四边形形状区域。其具体的区域特征提取方式可以采用下述方式:
(1)对检测信号的波形数据进行特征点提取处理:
对检测信号的波形进行局部极值点提取,得到检测信号的局部波峰极值点和局部波谷极值点;基于局部波峰极值点得到初始波峰特征点序列,基于局部波谷极值点得到初始波谷特征点序列;
对检测信号进行滤波,将滤波前后的波形进行差值计算,并取差值的绝对值作为筛选阈值;
用x表示待处理波形信号,对信号x进行高斯滤波得到滤波后的信号xfilter:
xt=a-ixt-i+…+aixt+i
其中,r为高斯模板的尺寸,r=2i+1,i为非负整数,σ为高斯模板的标准差,xt为t时刻的信号幅值,k为i或-i,e为自然底数。
基于筛选阈值分别对初始波峰特征点序列和初始波谷特征点序列的各局部波峰极值点、局部波谷极值点进行筛选处理:
在当前特征点序列中,若当前局部极值点和其相邻局部极值点之差均大于或等于筛选阈值,则保留当前局部极值点;从而得到筛选波峰特征点序列和筛选波谷特征点序列;
其中,局部极值点为局部波峰极值点或局部波谷极值点。
(2)基于得到的特征点序列,进行三角形形状区域提取处理:
a.分别遍历筛选后的特征点序列的局部波峰极值点和局部波谷极值点,在两个局部波谷极值点之间,寻找局部波峰极值点,若有且仅有一个局部波峰极值点,则保留这三点位置,作为一个三角形区域,并将其记录在第一候选三角形特征集合中;
b.基于筛选波峰特征点序列中的每个波峰特征点的位置,在初始波峰特征点序列和初始波谷特征点序列中,以当前波峰特征点所在的位置,查找距离当前位置的波峰特征点最近的两个波谷特征点,基于当前波峰特征点位置与其最近的两个波谷特征点位置得到一个三角形区域,并将该三角形区域记录到第二候选三角形区域集合中;
c.合并第一、第二候选三角形区域集合,并删除位置重叠的三角区域,得到最终的三角形区域集合,完成三角形区域的提取处理;
(3)基于得到的特征点序列,进行四边形形状区域提取处理:
a.设置时间阈值和幅度阈值;其中两个阈值的取值为经验值,根据实际场合确定;
b.在特征点序列中提取初始四边形区域:
提取初始四边形区域的特征点序列可以在初始波谷特征点序列、筛选波谷特征点序列中分别进行;也可以仅在筛选波谷特征点序列进行;
遍历初始波谷特征点序列或筛选波谷特征点序列中的各波谷特征点,并查找四个满足条件的波谷特征点:A,B,C,D;
其中,点A和点B的幅值差,点C和点D的幅值差,均大于等于设置的幅度阈值;且点A和点D的时间差,点B和点C的时间差均大于或等于设置时间阈值;
基于当前查找到的点A,B,C和D得到一个初始四边形区域;
c.对初始四边形区域进行匹配处理:
若当前初始四边形区域基于初始波谷特征点序列得到,则匹配处理时的对象为初始波峰特征点序列;若当前初始四边形区域基于筛选波谷特征点序列得到,则匹配处理时的对象为筛选波峰特征点序列;
遍历对应的波峰特征点序列,对于每个初始四边形区域,若在点A和点D之间有且只有两个波峰特征点,则初始四边形区域匹配成功,保留点A和点D和这两个波峰特征点,作为提取到的四边形区域,并保存到四边形区域集合中;
若当前初始四边形区域匹配失败(即点A和点D之间超过两个波峰特征点或者没有波峰特征点),且初始四边形区域的点A和点D之间没有波峰特征点,则检测初始四边形区域的点A和点B之间的时间差、点C点D之间的时间差是否均小于预设的时间检测阈值(经验值,根据实际场合确定),若是,则将当前初始四边形区域作为提取到的四边形区域,并保存到四边形区域集合中;
若分别对初始、筛选波谷特征点序列进行了初始四边形区域的提取和规则处理,则最后将两个序列对应的四边形区域集合进行合并去重处理,得到最终的四边形区域集合。
(3)对三角形区域集合和四边形区域集合进行比对,如果三角形区域存在于四边形区域中则从三角形区域集合中删除当前三角形区域。
本具体实施中,对得到的特征区域的特征类型共设置了四种,具体为:几何形状区域面积、几何形状区域面积占波形总面积的比值、形状区域位置坐标(优选最左边顶点在波形采样点的位置作为其绝对位置)和几何形状区域持续的时间长度。
其中,对于三角形区域,其三个顶点坐标为A(Ax,Ay),B(Bx,By),C(Cx,Cy),其中纵坐标y表示信号的采样值,如电机的动作电压,电流,电功率的采样点;横坐标x表示采样点(采样时间);则基于根据海伦公式可以得到每个三角形区域的面积;而波形面积则可以利用信号积分求得;对应的时间长度t=Cx-Ax。
对于四边形区域,其四个顶点坐标分别为:A(Ax,Ay),B(Bx,By),C(Cx,Cy),D(Dx,Dy);
计算面积时,将其分割为两个三角形区域,基于海伦公式计算两个三角形的面积再相加得到;而对应的时间长度t=Dx-Ax。
基于本发明的检测信号的特征向量的提取方式,实现工作状态识别处理的具体过程如下:
首先,训练神经网络,如信号样本中具有A1,A2,A3,A4四种工作状态。
在基于三角形形状区域和四边形形状区域得到的多组区域特征向量;三角形和四边形形状区域分别按照其特征向量方差值进行降序排序(包含重复的特征向量),三角形形状区域取前k1个向量,四边形形状区域取前k2个向量,如果数量不够k1或k2则利用0进行填充,并按照三角形形状区域特征值和四边形形状区域进行顺序排列得到长度为N=(k1+k2)×4的特征向量,排列方式为:三角形形状区域的3个特征组和四边形形状区域的4个特征组进行顺序排列。不同状态下的样本个数各M个,总样本数量为:状态数*M个,提取出特征向量作为训练网络的输入。
其中,所采用的神经网络的网络结构为三层感知机,分别为输入层N个神经元,隐藏层L个神经元(视具体情况决定),输出层样本状态的个数,例如输出状态为4,需要识别4种类型的信号,如图3所示,其中x1~xn表示输入向量,y1~y4表示输出结果,如四种类型的置信度,从而基于最大置信度得到当前识别结果。
然后,将训练集样本顺序进行随机乱序排列,并进行神经网络的训练得到训练后的神经网络,将其作为设备工作状态识别分类器。
参见图4,以设备工作时的电机的功率信号作为提取的检测信号为例,将对应的功率信号数据作为检测信号的特征向量的待提取对象;
对功率信号数据进行信号预处理,包括对信号进行滤波或归一化处理;
然后按照本发明的检测信号的特征向量的提取方式得到不同功率信号数据的特征向量(功率信号的特征向量);
初始化所采用的神经网络模型的网络参数,输入训练样本的特征向量(功率信号的特征向量)进行神经网络训练,更新网路参数;当满足预设的训练精度时(如训练迭代次数或者网络参数的变化率不超过预设阈值等),停止训练;
再输入测试样本的特征向量进行指标测试,若满足识别指标需求(例如识别准确度),则将当前训练好的神经网络作为设备工作状态识别分类器;否则继续基于训练样本继续下一轮训练,直到满足指标需求。
最后,对待检测信号,按照本发明的检测信号的特征向量的提取方式得到对应的特征向量,输入得到的分类器中,基于其输出得到待检测信号所对应的待识别对象的工作状态识别结果。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (4)
1.基于检测信号的多维特征向量组合的设备信号类型识别方法,其特征在于,包括下列步骤:
步骤一、设置设备的检测信号的特征向量提取方式:
提取设备的检测信号的不同尺度的区域特征;
对每个区域特征,按照自定义的多种特征进行特征统计得到每种特征的统计特征值,基于所有统计特征值得到区域特征向量;
对得到的多个区域特征向量进行多维特征向量组合得到检测信号的特征向量:
基于每个区域特征向量的显著性值确定每个区域特征向量的重复次数,其中,显著性值越大,重复次数越大;
选定待组合的区域特征向量,并基于每个被选定的区域特征向量的重复次数和选取的统计特征值进行组合,并排列成一维向量得到检测信号的特征向量;
步骤二、选择用于设备信号类型识别的分类处理的分类器,并以设备的检测信号作为训练样本,提取训练样本的特征向量进行分类器的机器学习处理,得到训练好的分类器;
步骤三、按照步骤一的特征向量提取方式,提取待识别设备的当前待检测信号的特征向量并输入到训练好的分类器中,基于其输出得到待识别设备的设备信号类型识别结果。
2.如权利要求1所述的方法,其特征在于,每个区域特征向量的重复次数的具体设置方式为:
指定显著性值最小和最大的区域特征向量的重复次数;
并将显著性值位于最小和最大显著性值之间的区域特征向量的重复次数Ri设置为:[Rmax*Si-Smin)/Smax-Smin)],其中[.]为向下取整运算符,其中Smin、Smax分别表示最小和最大显著性值,Si表示第i个区域特征向量的显著性值,Rmax表示显著性值最大的区域特征向量的重复次数。
3.如权利要求2所述的方法,其特征在于,将显著性值最小的区域特征向量的重复次数设置为1和/或显著性值最大的区域特征向量的重复次数设置为2至5。
4.如权利要求1所述的方法,其特征在于,在对得到的多个区域特征向量进行多维特征向量组合,对区域特征向量包括的统计特征值位数进行数据扩展处理,扩展的数值为任意数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891299.7A CN110674725B (zh) | 2019-09-20 | 2019-09-20 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891299.7A CN110674725B (zh) | 2019-09-20 | 2019-09-20 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674725A CN110674725A (zh) | 2020-01-10 |
CN110674725B true CN110674725B (zh) | 2022-06-03 |
Family
ID=69078442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891299.7A Expired - Fee Related CN110674725B (zh) | 2019-09-20 | 2019-09-20 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674725B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN106066480A (zh) * | 2016-05-24 | 2016-11-02 | 西安交通大学 | 一种基于多维特征的运动目标跟踪装置及方法 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN108566253A (zh) * | 2018-02-12 | 2018-09-21 | 北京邮电大学 | 一种基于对信号功率谱拟合特征提取的信号识别方法 |
CN109009098A (zh) * | 2018-07-18 | 2018-12-18 | 大连交通大学 | 一种运动想象状态下的脑电信号特征识别方法 |
CN109188258A (zh) * | 2018-07-17 | 2019-01-11 | 国网浙江省电力有限公司检修分公司 | 基于振电结合的高压断路器特征提取及分类方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769583B2 (en) * | 2006-05-13 | 2010-08-03 | International Business Machines Corporation | Quantizing feature vectors in decision-making applications |
-
2019
- 2019-09-20 CN CN201910891299.7A patent/CN110674725B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868690A (zh) * | 2014-02-28 | 2014-06-18 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
CN106066480A (zh) * | 2016-05-24 | 2016-11-02 | 西安交通大学 | 一种基于多维特征的运动目标跟踪装置及方法 |
CN106485209A (zh) * | 2016-09-23 | 2017-03-08 | 北京航空航天大学 | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN108566253A (zh) * | 2018-02-12 | 2018-09-21 | 北京邮电大学 | 一种基于对信号功率谱拟合特征提取的信号识别方法 |
CN109188258A (zh) * | 2018-07-17 | 2019-01-11 | 国网浙江省电力有限公司检修分公司 | 基于振电结合的高压断路器特征提取及分类方法 |
CN109009098A (zh) * | 2018-07-18 | 2018-12-18 | 大连交通大学 | 一种运动想象状态下的脑电信号特征识别方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
Non-Patent Citations (2)
Title |
---|
基于神经网络的道岔转辙机故障诊断方法研究;孙孟雷;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200715(第7期);C033-111 * |
非参数互信息和多维尺度分析在滚动轴承故障诊断中的应用;石永芳 等;《机床与液压》;20191028;第47卷(第20期);187-191 * |
Also Published As
Publication number | Publication date |
---|---|
CN110674725A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573225B (zh) | 一种局部放电信号模式识别方法及系统 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN111539152A (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
US11231038B2 (en) | Load identification method for reciprocating machinery based on information entropy and envelope features of axis trajectory of piston rod | |
CN104751475B (zh) | 一种面向静态图像对象识别的特征点优选匹配方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
CN109740672B (zh) | 多流特征距离融合系统与融合方法 | |
CN111104398A (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN111783544A (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
CN109191493A (zh) | 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法 | |
CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与系统 | |
Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN114252725A (zh) | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
CN110674725B (zh) | 基于检测信号的多维特征向量组合的设备信号类型识别方法 | |
CN111080121B (zh) | 一种用于不同链长的控制图模式识别方法 | |
CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 |
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: 20220603 |