CN111160570A - 用于预测性维护的基于卷积算子的特征构造方法及系统 - Google Patents
用于预测性维护的基于卷积算子的特征构造方法及系统 Download PDFInfo
- Publication number
- CN111160570A CN111160570A CN201911404258.7A CN201911404258A CN111160570A CN 111160570 A CN111160570 A CN 111160570A CN 201911404258 A CN201911404258 A CN 201911404258A CN 111160570 A CN111160570 A CN 111160570A
- Authority
- CN
- China
- Prior art keywords
- convolution
- matrix
- data
- new
- predictive maintenance
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于预测性维护的基于卷积算子的特征构造方法及系统，属于机器学习技术领域。本发明的用于预测性维护的基于卷积算子的特征构造方法，包括以下步骤：S1、对传感器采集的数据进行预处理，得到数据矩阵；S2、设定卷积核；S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；S4、把新的特征矩阵进行串联，得到新的特征矩阵集合；S5、将机器学习用于新的特征矩阵，进行异常检测。该发明的用于预测性维护的基于卷积算子的特征构造方法，通过卷积核与传感器数据的卷积，增强特征的鲁棒性，得到更好的特征用于预测性维护，具有很好的推广应用价值。
Description
技术领域
本发明涉及机器学习技术领域，具体提供一种用于预测性维护的基于卷积算子的特征构造方法及系统。
背景技术
预测性维护是智能制造中的关键技术之一。对设备进行智能的预测性维护是现代智能制造企业采取的必然设备维护手段，通过数据手段进行预测性维护的结果判定是现代化数字企业的必经之路。其实现主要通过数据收集、机器学习建模和计算力支撑实现。数据主要产生于设备上安装的各种传感器，经过处理和加工后形成可以使用的有用数据，这些数据表达设备的健康状态。随着传感器的普及和应用，数据的获取成本已经大大下降。因此，通过分析传感器数据的方式判断设备的健康状态是可行的。健康状态的表达需要通过对数据的分析和洞察。传统的方法是基于人工的观察或者通过信号处理的方式提取特征进行分析。随着机器学习的流行和使用，基于统计机器学习的方法在预测性维护领域得到更多的推广和使用。随着近些年人工智能技术中机器学习技术的成熟，很多的机器学习算法变得易用好用。而工业大数据分析的一个长期困扰问题是从数据中构造有用的特征，剔除干扰性，提高信噪比。
传统的基于信号处理的方法主要是通过傅里叶变换、小波变换、包络谱提前频率特征，再根据专家经验观察某个波段的频谱是正常还是异常。机器学习则通过自动的提取特征信号，再结合异常检测算法判断正常还是异常。两种方法各有优劣。基于机器学习的特征提取方法非常多，可分为特征提取、特征降维、新特征构造，这些方法都可以被统一称作特征工程。其中，特征降维中的PCA列主元分析广为人知。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种通过卷积核与传感器数据的卷积，增强特征的鲁棒性，得到更好的特征用于预测性维护的用于预测性维护的基于卷积算子的特征构造方法。
本发明进一步的技术任务是提供一种用于预测性维护的基于卷积算子的特征构造系统。
为实现上述目的，本发明提供了如下技术方案：
用于预测性维护的基于卷积算子的特征构造方法，该方法包括以下步骤：
S1、对传感器采集的数据进行预处理，得到数据矩阵；
S2、设定卷积核；
S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；
S4、把新的特征矩阵进行串联，得到新的特征矩阵集合；
S5、将机器学习用于新的特征矩阵，进行异常检测。
作为优选，步骤S1中对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
作为优选，步骤S2中设定卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
作为优选，步骤S3中，有多个卷积核时，得到多个新的特征矩阵。
作为优选，步骤S4中，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
用于预测性维护的基于卷积算子的特征构造系统，包括数据矩阵生成模块、卷积核设定模块、新的特征矩阵生成模块、新的特征矩阵集合生成模块和异常检测模块：
数据矩阵生成模块用于对传感器采集的数据进行预处理，得到数据矩阵；
卷积核设定模块用于设定卷积核；
新的特征矩阵生成模块用于对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；
新的特征矩阵集合生成模块用于把新的特征矩阵进行串联，得到新的特征矩阵集合；
异常检测模块用于将机器学习用于新的特征矩阵，进行异常检测。
作为优选，数据矩阵生成模块用于对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
作为优选，卷积核设定模块设定的卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
作为优选，新的特征矩阵生成模块中，有多个卷积核时，得到多个新的特征矩阵，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
与现有技术相比，本发明的用于预测性维护的基于卷积算子的特征构造方法具有以下突出的有益效果：所述用于预测性维护的基于卷积算子的特征构造方法通过卷积核与传感器数据的卷积，增强特征的鲁棒性，得到更好的特征用于预测性维护，具有良好的推广应用价值。
具体实施方式
下面将结合实施例，对本发明的用于预测性维护的基于卷积算子的特征构造方法及系统作进一步详细说明。
实施例
本发明的用于预测性维护的基于卷积算子的特征构造方法包括以下步骤：
S1、对传感器采集的数据进行预处理，得到数据矩阵。
对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
S2、设定卷积核。
设定卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵。其中有多个卷积核时，得到多个新的特征矩阵。
S4、把新的特征矩阵进行串联，得到新的特征矩阵集合。若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
S5、将机器学习用于新的特征矩阵，进行异常检测。新的特征矩阵还可以结合传统经典的方法进行使用，例如与PCA降维后的数据进行使用。
如果有多个传感器，那么采集到的信号是多维的变量数据。在实际情况下，不同的传感器采集的数据频率不同，就造成数据的样本数量不同。我们假设数据经过预处理后，数据是多维的，并且有相同的样本数据。就形成了m行n列的数据矩阵，m代表样本数，n代表变量个数。对这样一个数据矩阵进行卷子算子操作就可以得到新的一些特征。
进行卷积操作的可能方法有很多。卷积需要有一个被卷积的原始矩阵，就是我们的数据矩阵，还需要一个卷积核。在深度学习的网络中，卷积核是被随机初始化并随着训练过程被逐渐学习变化的。本发明中卷积核是固定的。即使是固定的，能进行的创造性的卷积操作方法有很多。卷积核的大小、卷积操作的步长、卷积核的个数、是否补0填充(padding)都是可以调节的。
例如卷积核大小是p行p列，一般取3或者5，步长可以选择1或者2，卷积核选取的越多，所构造出的新特征越多。如果不进行补0填充，则会使原数据矩阵变小，一般要进行一定程度的填充。比较关键的是卷积核的设置，假设是3行3列的卷积核，我们可以采取随机赋值、固定赋值或者随机选取数据矩阵前3行3列平均值的方式进行。
本发明的用于预测性维护的基于卷积算子的特征构造系统，包括数据矩阵生成模块、卷积核设定模块、新的特征矩阵生成模块、新的特征矩阵集合生成模块和异常检测模块。
数据矩阵生成模块用于对传感器采集的数据进行预处理，得到数据矩阵。
数据矩阵生成模块用于对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
卷积核设定模块用于设定卷积核。
卷积核设定模块设定的卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
新的特征矩阵生成模块用于对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵。新的特征矩阵生成模块中，有多个卷积核时，得到多个新的特征矩阵，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
新的特征矩阵集合生成模块用于把新的特征矩阵进行串联，得到新的特征矩阵集合。
异常检测模块用于将机器学习用于新的特征矩阵，进行异常检测。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (9)
1.用于预测性维护的基于卷积算子的特征构造方法，其特征在于：该方法包括以下步骤：
S1、对传感器采集的数据进行预处理，得到数据矩阵；
S2、设定卷积核；
S3、对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；
S4、把新的特征矩阵进行串联，得到新的特征矩阵集合；
S5、将机器学习用于新的特征矩阵，进行异常检测。
2.根据权利要求1所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S1中对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
3.根据权利要求2所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S2中设定卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
4.根据权利要求3所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S3中，有多个卷积核时，得到多个新的特征矩阵。
5.根据权利要求4所述的用于预测性维护的基于卷积算子的特征构造方法，其特征在于：步骤S4中，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
6.用于预测性维护的基于卷积算子的特征构造系统，其特征在于：包括数据矩阵生成模块、卷积核设定模块、新的特征矩阵生成模块、新的特征矩阵集合生成模块和异常检测模块：
数据矩阵生成模块用于对传感器采集的数据进行预处理，得到数据矩阵；
卷积核设定模块用于设定卷积核；
新的特征矩阵生成模块用于对数据矩阵和设定的卷积核进行卷积操作，得到新的特征矩阵；
新的特征矩阵集合生成模块用于把新的特征矩阵进行串联，得到新的特征矩阵集合；
异常检测模块用于将机器学习用于新的特征矩阵，进行异常检测。
7.根据权利要求6所述的用于预测性维护的基于卷积算子的特征构造系统，其特征在于：数据矩阵生成模块用于对传感器采集的数据进行预处理，得到相同行和相同列的数据矩阵。
8.根据权利要求7所述的用于预测性维护的基于卷积算子的特征构造系统，其特征在于：卷积核设定模块设定的卷积核包括设定好卷积核大小、卷积核个数、卷积步长及是否进行数据填充。
9.根据权利要求8所述的用于预测性维护的基于卷积算子的特征构造系统，其特征在于：新的特征矩阵生成模块中，有多个卷积核时，得到多个新的特征矩阵，若新的特征矩阵与原始数据矩阵一致，则可进行串联得到最终的特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404258.7A CN111160570A (zh) | 2019-12-31 | 2019-12-31 | 用于预测性维护的基于卷积算子的特征构造方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911404258.7A CN111160570A (zh) | 2019-12-31 | 2019-12-31 | 用于预测性维护的基于卷积算子的特征构造方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160570A true CN111160570A (zh) | 2020-05-15 |
Family
ID=70559644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911404258.7A Pending CN111160570A (zh) | 2019-12-31 | 2019-12-31 | 用于预测性维护的基于卷积算子的特征构造方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160570A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787488A (zh) * | 2016-03-02 | 2016-07-20 | 浙江宇视科技有限公司 | 由全局向局部传递的图像特征提取方法及装置 |
| KR101644998B1 (ko) * | 2015-12-22 | 2016-08-02 | 엑스브레인 주식회사 | Convolutional Neural Network를 이용하여 비정상 입력 데이터를 검출하는 방법 및 장치 |
| CN108388541A (zh) * | 2016-04-22 | 2018-08-10 | 北京中科寒武纪科技有限公司 | 卷积运算装置及方法 |
| CN109241994A (zh) * | 2018-07-31 | 2019-01-18 | 顺丰科技有限公司 | 一种用户异常行为检测方法、装置、设备及存储介质 |
| CN109871510A (zh) * | 2019-01-08 | 2019-06-11 | 广东浪潮大数据研究有限公司 | 二维卷积运算处理方法、系统、设备及计算机存储介质 |
| WO2019136752A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能卷积处理方法、装置、可读存储介质、及终端 |
-
2019
- 2019-12-31 CN CN201911404258.7A patent/CN111160570A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101644998B1 (ko) * | 2015-12-22 | 2016-08-02 | 엑스브레인 주식회사 | Convolutional Neural Network를 이용하여 비정상 입력 데이터를 검출하는 방법 및 장치 |
| CN105787488A (zh) * | 2016-03-02 | 2016-07-20 | 浙江宇视科技有限公司 | 由全局向局部传递的图像特征提取方法及装置 |
| CN108388541A (zh) * | 2016-04-22 | 2018-08-10 | 北京中科寒武纪科技有限公司 | 卷积运算装置及方法 |
| WO2019136752A1 (zh) * | 2018-01-15 | 2019-07-18 | 深圳鲲云信息科技有限公司 | 人工智能卷积处理方法、装置、可读存储介质、及终端 |
| CN109241994A (zh) * | 2018-07-31 | 2019-01-18 | 顺丰科技有限公司 | 一种用户异常行为检测方法、装置、设备及存储介质 |
| CN109871510A (zh) * | 2019-01-08 | 2019-06-11 | 广东浪潮大数据研究有限公司 | 二维卷积运算处理方法、系统、设备及计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张军阳;郭阳;扈啸;: "二维矩阵卷积的并行计算方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111740971A (zh) | 基于类不平衡处理的网络入侵检测模型sgm-cnn | |
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
| CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
| CN113567130A (zh) | 基于设备多工况的轴承故障诊断方法 | |
| CN112577743A (zh) | 一种基于最大局部边界准则的滚动轴承故障诊断方法 | |
| US6721445B1 (en) | Method for detecting anomalies in a signal | |
| CN116237817A (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
| CN107066959A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
| CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
| CN112446389A (zh) | 一种故障判别方法及装置 | |
| CN115293188A (zh) | 一种用于往复机械设备的故障诊断方法和装置 | |
| CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 | |
| CN112945556B (zh) | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 | |
| CN107527001A (zh) | 一种基于导向滤波和线性空间相关性信息的高光谱图像分类方法 | |
| CN111160570A (zh) | 用于预测性维护的基于卷积算子的特征构造方法及系统 | |
| CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
| CN113369993A (zh) | 一种小样本下刀具磨损状态监测方法 | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| Li et al. | Feature extraction and selection for fault diagnosis of gear using wavelet entropy and mutual information | |
| CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 | |
| CN112215489A (zh) | 一种工业设备异常检测方法 | |
| CN112015620A (zh) | 一种自动调优网站服务端系统参数的方法 | |
| CN116383721B (zh) | 一种基于循环相关熵谱的旋转设备检测方法 | |
| CN110826640B (zh) | 一种无监督式的传感器阵列干扰特征去除方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |
|
| RJ01 | Rejection of invention patent application after publication |