CN112152633A - 振动信号压缩方法及装置 - Google Patents

振动信号压缩方法及装置 Download PDF

Info

Publication number
CN112152633A
CN112152633A CN202011064652.3A CN202011064652A CN112152633A CN 112152633 A CN112152633 A CN 112152633A CN 202011064652 A CN202011064652 A CN 202011064652A CN 112152633 A CN112152633 A CN 112152633A
Authority
CN
China
Prior art keywords
encoder
preset
vibration signal
layer
self
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
CN202011064652.3A
Other languages
English (en)
Other versions
CN112152633B (zh
Inventor
赵志宏
李乐豪
李晴
赵敬娇
杨绍普
陈恩利
马新娜
刘永强
顾晓辉
刘泽潮
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.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao 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 Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202011064652.3A priority Critical patent/CN112152633B/zh
Publication of CN112152633A publication Critical patent/CN112152633A/zh
Application granted granted Critical
Publication of CN112152633B publication Critical patent/CN112152633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/70—Type of the data to be coded, other than image and sound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明提供了一种振动信号压缩方法及装置，该方法应用于数据信号压缩技术领域，该方法包括：获取目标机械部件的第一振动信号数据；基于训练完成的预设堆叠自编码器对第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据；其中，该预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。本发明提供的振动信号压缩方法及装置能够在降低自编码器计算量的同时提高振动信号压缩精度。

Description

振动信号压缩方法及装置
技术领域
本发明属于信号数据压缩技术领域，更具体地说，是涉及一种振动信号压缩方法及装置。
背景技术
随着机械设备向高速化和大型化发展，机械设备的振动频率越来越高，振动信号呈现非线性、非平稳的特点。根据奈奎斯特采样定理，采样频率不能低于原始机械设备振动信号的两倍。因此机械设备在进行健康检测时会产生海量的数据，对实时传输、同步存储和实时故障诊断带来了挑战。随着深度学习的发展，众多学者考虑将堆叠自编码器应用于振动信号数据的压缩。
然而，现有技术中基于堆叠自编码器的振动信号压缩方法存在以下缺陷：
1)现有技术中堆叠自编码器中编码器使用卷积和池化对振动信号进行降维和特征提取，池化操作会增大解码器的计算量，还会导致提取到的特征中有关振动信号的信息不足，进而影响解码器重构信号，致使网络损失过大，重构出的振动信号误差也较大。
2)现有技术中堆叠自编码器基于反卷积和反池化对振动信号进行重构，其参数设置常常与编码器对称来达到近似反函数的目的，但是反卷积与反池化中参数较少难以拟合编码器的反函数，导致解码器重构能力较差，进而影响编码器的降维和特征提取。
因此，如何降低振动信号数据压缩的计算量，减小重构误差成为本领域技术人员亟需解决的问题。
发明内容
本发明的目的在于提供一种振动信号压缩方法及装置，以降低堆叠自编码器的计算量和提高振动信号压缩精度为目的，解决现有技术中振动信号数据压缩计算量大、误差大的技术问题。
本发明实施例的第一方面，提供了一种振动信号压缩方法，包括：
获取目标机械部件的第一振动信号数据；
基于训练完成的预设堆叠自编码器对第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据；
其中，预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。
本发明实施例的第二方面，提供了一种振动信号压缩方法装置，包括：
数据采集模块，用于获取目标机械部件的第一振动信号数据；
信号压缩模块，用于基于训练完成的预设堆叠自编码器对第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据；
其中，预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的振动信号压缩方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的振动信号压缩方法的步骤。
本发明实施例提供的振动信号压缩方法及装置的有益效果在于：一方面，不同于现有技术中使用池化层对振动信号进行降维，本发明通过设置各个卷积层的步长对振动信号进行降维，有效地解决了现有技术中振动信号压缩方法提取特征不准确的问题；另一方面，不同于现有技术中使用的反卷积和反池化对压缩后的振动信号进行重构，本发明实施例基于全连接层配合激活函数的处理方法对压缩后的振动信号进行重构，可有效降低重构压缩后的振动信号时所带来的误差，提高堆叠自编码器的压缩精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的振动信号压缩方法的流程示意图；
图2为本发明一实施例提供的预设堆叠自编码器的训练流程图；
图3为本发明另一实施例提供的预设堆叠自编码器的训练流程图；
图4为本发明一实施例提供的振动信号压缩装置的结构框图；
图5为本发明一实施例提供的终端设备的示意框图；
图6为本发明一实施例的原始机械信号数据和压缩后的振动信号数据图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参考图1，图1为本发明一实施例提供的振动信号压缩方法的流程示意图，该方法包括：
S101：获取目标机械部件的第一振动信号数据。
在本实施例中，可利用安装在机械部件上的振动信号传感器采集目标机械部件的原始机械振动信号数据，得到第一振动信号数据。
在本实施例中，为了扩充原始机械部件的振动信号的数据量可以采用滑动窗口取样，窗口移动的步长可以根据实际需要设置，例如窗口移动的步长可以为28个采样点。
S102：基于训练完成的预设堆叠自编码器对第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据。
其中，该预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。
在本实施例中，目标机械部件可以为深沟球轴承。
从上述描述可知，一方面，本发明实施例通过设置各个卷积层的步长实现对振动信号进行降维的操作，有效地解决了现有技术中无法从振动信号中提取出准确的特征的问题；另一方面，不同于现有技术采用发反卷积和反池化重构信号的方法，本发明实施例基于全连接层配合激活函数的处理方法对压缩后的振动信号进行重构，可有效降低重构信号的误差，提高堆叠自编码器的压缩精度。
在本实施例中，第一卷积层的处理函数可以为：
Figure BDA0002713404150000041
其中，Mj为第一卷积层的输入特征向量，l为第一卷积层的第l层网络，
Figure BDA0002713404150000042
为第一卷积层的第l层的卷积核，
Figure BDA0002713404150000043
为第一卷积层的第l层的偏置，
Figure BDA0002713404150000044
为第一卷积层的第l层输出，
Figure BDA0002713404150000045
为第一卷积层的第l层输入。
其中，第二卷积层同第一卷积层的处理函数相同，此处不再赘述。
在本实施例中，第一激活函数层的处理函数可以为：
Figure BDA0002713404150000051
其中，y1为第一激活函数层的输出，a为预设斜率。
其中，第二激活函数层、第三激活函数层同第一激活函数层的处理函数相同，此处不再赘述。
在本实施例中，第一批标准化层的处理函数可以为：
Figure BDA0002713404150000052
其中，xj为第一批标准化层的输入，μ和σ分别为第一批标准化层输入的均值和标准差，ε2为预设值，γ和β为预设变换因子和预设偏移因子，yj为第一批标准化层的输出。
其中，第二批标准化层、第三批标准化层同第一批标准化层的处理函数相同，此处不再赘述。
在本实施例中，第一全连接层的处理函数为：
Figure BDA0002713404150000053
其中，netk为第一全连接层的第k层输出，wjk为第一全连接层的权值向量，yjk为第一全连接层的第k层的输入向量，bk为第一全连接层的第k层偏置。
其中，第二全连接层同第一全连接层的处理函数相同，此处不再赘述。
在本实施例中，Flatten层用于将多维的数据一维化。
在本实施例中，还可计算预设堆叠自编码器的压缩率，其中预设堆叠自编码器的压缩率的计算步骤为：
Figure BDA0002713404150000054
Figure BDA0002713404150000055
Figure BDA0002713404150000061
其中，m*1表示编码器输入层的尺寸，C1为第一卷积层的卷积核数量，K1为第一卷积层的卷积核的大小，S1为第一卷积层的卷积核的步长，C1*Z1为第一卷积层的输出尺寸，C2为第二卷积层的卷积核数量，K2为第二卷积层的卷积核的大小，S2为第二卷积层的卷积核的步长，C2*Z2为第二卷积层的输出尺寸，CR为预设堆叠自编码器的压缩率。
可选地，作为本发明实施例提供的振动信号压缩方法的一种具体实施方式，按照预设概率随机将第一振动信号数据的部分采样点置零，得到预处理后的第一振动信号数据。
在本实施例中，可令每个采样点保留的概率为p，随机将第一振动信号数据的部分采样点置零，其中，0<p<1，p为预设概率。可选地，p可以为0.2。
请一并参考图1及图2，图2为本申请另一实施例提供的预设堆叠自编码器的训练过程的流程图。在上述实施例的基础上，步骤S102可以详述为：
S201：初始化预设堆叠自编码器中各个处理层的权重系数。
在本实施例中，各个处理层的权值系数可以表示为：
θ(i)＝{W(i)，b(i)}
其中，θ(i)为第i个处理层的权重系数，W(i)为第i个处理层权值，b(i)为第i个处理层的偏置。
S202：获取目标机械部件的第二振动信号数据。
在本实施例中，可利用安装在机械部件上的振动信号传感器采集目标机械部件的原始机械振动信号数据，得到第二振动信号数据。
在本实施例中，为了扩充原始机械部件的振动信号的数据量可以采用滑动窗口取样，窗口移动的步长可以根据实际需要设置，例如窗口移动的步长可以为28个采样点。
S203：基于第二振动信号数据以及Adam优化方法对各个处理层的权重系数进行更新，得到训练完成的预设堆叠自编码器。
在本实施例中，第二振动信号数据即为训练样本，可选地，每个训练样本可包括2000个采样点。其中，第二振动信号数据可以包括目标机械部件在正常状态下的振动信号数据以及各种故障状态下的振动信号数据。
请一并参考图2及图3，图3为本发明另一实施例提供的预设堆叠自编码器的训练的流程图。在上述实施例的基础上，步骤S203可以详述为：
S1：对学习率ε1、矩估计的指数衰减速率ρ1、ρ2、预设常数δ、一阶矩变量s、二阶矩变量r进行初始化，并设定迭代次数t＝0，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差。
在本实施例中，ε1可以预设为0.002，ρ1可以预设为0.9，ρ2可以预设为0.999，δ可以为10-8，s和r都可以预设为0，在设定好默认参数之后，在t＝0时，将第二振动信号数据输入到预设堆叠自编码器中，第二振动信号数据中包含n个训练样本，经过上述过程得出预设堆叠自编码器的重构误差g。
S2：基于预设堆叠自编码器的重构误差对一阶矩变量和二阶矩变量进行更新，并基于更新后的一阶矩变量和二阶矩变量确定一阶矩偏差和二阶矩偏差，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，基于更新量对各个处理层的权重系数进行更新。
在本实施例中，将步骤S1中得到的重构误差g对一阶矩变量s和二阶矩变量r进行更新，并将更新前和更新后的一阶矩变量和二阶矩变量做差，得出一阶矩偏差和二阶矩偏差，根据一阶矩偏差和二阶矩偏差计算出各个处理层的权值系数的更新量，将得到的更新量和未更新的权值系数相加得到更新后各个处理层的权值系数。
S3：令t＝t+1，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；若t大于预设迭代次数、或预设堆叠自编码器的重构误差小于预设阈值，则确定预设堆叠自编码器训练完成，若t不大于预设迭代次数、且预设堆叠自编码器的重构误差不小于预设阈值，则返回执行步骤S2。
在本实施例中，预设迭代次数可以为300。
在本实施例中，当t＝t+1时，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差g，若t大于300或预设堆叠自编码器的重构误差小于预设阈值，则确定预设堆叠自编码器训练完成，若t不大于300且预设堆叠自编码器的重构误差不小于预设阈值，则返回执行步骤S2。
在本实施例中，通过第二振动信号数据以及Adam优化方法对各个处理层的权值系数的更新实际上是对预设堆叠自编码器的重构误差的优化过程，其中，预设堆叠自编码器的重构误差的具体优化过程可以详述为：
先预设好学习率ε1＝0.002、矩估计的指数衰减速率ρ1＝0.9、ρ2＝0.999、预设常数δ＝10-8、一阶矩变量s、二阶矩变量r，迭代次数t，之后通过预设堆叠自编码器确定第二振动信号数据的重构误差，重构误差优化主要包括步骤S2～S3，其主要通过不断更新一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，之再通过权重系数更新重构误差，直到迭代次数大于预设次数或者重构误差不小于预设阈值，则训练完成。
在本实施例中，预设堆叠自编码器的重构误差计算方法为：
Figure BDA0002713404150000081
其中，x表示原始信号，也即预设堆叠自编码器的输入信号，
Figure BDA0002713404150000082
表示重构信号，也即预设堆叠自编码器的输出信号，N为原始信号的维度，k为维度下标，n表示训练样本的数量，
Figure BDA0002713404150000083
表示预设堆叠自编码器的重构误差。
在本实施例中，预设堆叠自编码器的重构误差的最小化过程可以表示为：
Figure BDA0002713404150000084
其中，θ表示预设堆叠自编码器的重构误差最小化前编码器的权值系数矩阵，θ'表示预设堆叠自编码器的重构误差最小化前解码器的权值系数矩阵，θ*表示预设堆叠自编码器的重构误差最小化后编码器的权值系数矩阵，θ'*表示预设堆叠自编码器的重构误差最小化后解码器的权值系数矩阵，x(i)表示第i个处理层的输入信号，
Figure BDA0002713404150000091
表示第i个处理层的输出信号，n'表示预设堆叠自编码器中处理层的个数。
可选地，作为本发明实施例提供的振动信号压缩方法的一种具体实施方式，基于预设堆叠自编码器的重构误差对一阶矩变量进行更新的方法为：
s2＝ρ1s1+(1-ρ1)g
其中，s1为更新前的一阶矩变量，s2为更新后一阶矩变量，g为预设堆叠自编码器的重构误差。
基于预设堆叠自编码器的重构误差对二阶矩变量进行更新的方法为：
Figure BDA0002713404150000092
其中，r1为更新前的二阶矩变量，r2为更新后的二阶矩变量。
可选地，作为本发明实施例提供的振动信号压缩方法的一种具体实施方式，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量为：
Figure BDA0002713404150000093
其中，
Figure BDA0002713404150000094
为Adam优化方法的一阶矩偏差，
Figure BDA0002713404150000095
为Adam优化方法的二阶矩偏差。
可选地，本发明实施例以深沟球轴承为例对本发明实施例提供的振动信号压缩方法进行了验证，本实施例给出了一种深沟球轴承的振动信号压缩方法，具体的，可利用安装在深沟球轴承上的振动信号传感器采集深沟球轴承的原始信号数据(也即第一振动信号数据)，再按照预设概率p＝0.2将原始信号数据的部分采样点置零，得到预处理后的原始信号数据，最后将预处理后的原始信号数据输入到训练完成的预设堆叠自编码器，对预处理后的原始信号数据进行压缩，得到压缩后的振动信号数据。其中，深沟球轴承的原始信号(对应本实施例中的第一振动信号数据)和重构信号(对应本实施例中的压缩后的振动信号数据)如图6所示，由图6可知，根据本实施例提供的振动信号压缩方法得到的原始信号和重构信号的匹配度高，且误差较小。
对应于上文实施例的振动信号压缩方法，图4为本发明一实施例提供的振动信号压缩装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图4，该振动信号压缩装置400包括：数据采集模块410和信号压缩模块420。
其中，数据采集模块410，用于获取目标机械部件的第一振动信号数据。
信号压缩模块420，用于基于训练完成的预设堆叠自编码器对第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据。
可选地，作为本发明实施例提供的振动信号压缩装置的一种具体实施方式，按照预设概率随机将第一振动信号数据的部分采样点置零，得到预处理后的第一振动信号数据。
可选地，作为本发明实施例提供的振动信号压缩装置的一种具体实施方式，该预设堆叠自编码器的训练过程，包括：
初始化预设堆叠自编码器中各个处理层的权重系数。
获取目标机械部件的第二振动信号数据。
基于第二振动信号数据以及Adam优化方法对各个处理层的权重系数进行更新，得到训练完成的预设堆叠自编码器。
可选地，作为本发明实施例提供的振动信号压缩装置的一种具体实施方式，根据第二振动信号数据以及Adam优化方法对各个处理层的权重系数进行更新，包括：
S1：对学习率ε1、矩估计的指数衰减速率ρ1、ρ2、预设常数δ、一阶矩变量s、二阶矩变量r进行初始化，并设定迭代次数t＝0，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差。
S2：基于预设堆叠自编码器的重构误差对一阶矩变量和二阶矩变量进行更新，并基于更新后的一阶矩变量和二阶矩变量确定一阶矩偏差和二阶矩偏差，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，基于更新量对各个处理层的权重系数进行更新。
S3：令t＝t+1，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；若t大于预设迭代次数、或预设堆叠自编码器的重构误差小于预设阈值，则确定预设堆叠自编码器训练完成，若t不大于预设迭代次数、且预设堆叠自编码器的重构误差不小于预设阈值，则返回执行步骤S2。
可选地，作为本发明实施例提供的振动信号压缩装置的一种具体实施方式，根据预设堆叠自编码器的重构误差对一阶矩变量和二阶矩变量进行更新，包括：
基于预设堆叠自编码器的重构误差对一阶矩变量进行更新的方法为：
s2＝ρ1s1+(1-ρ1)g
其中，s1为更新前的一阶矩变量，s2为更新后一阶矩变量，g为预设堆叠自编码器的重构误差。
基于预设堆叠自编码器的重构误差对二阶矩变量进行更新的方法为：
Figure BDA0002713404150000111
其中，r1为更新前的二阶矩变量，r2为更新后的二阶矩变量。
可选地，作为本发明实施例提供的振动信号压缩装置的一种具体实施方式，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量为：
Figure BDA0002713404150000112
其中，
Figure BDA0002713404150000113
为Adam优化方法的一阶矩偏差，
Figure BDA0002713404150000114
为Adam优化方法的二阶矩偏差。
参见图5，图5为本发明一实施例提供的终端设备的示意框图。如图5所示的本实施例中的终端500可以包括：一个或多个处理器501、一个或多个输入设备502、一个或多个输出设备503及一个或多个存储器504。上述处理器501、输入设备502、则输出设备503及存储器504通过通信总线505完成相互间的通信。存储器504用于存储计算机程序，计算机程序包括程序指令。处理器501用于执行存储器504存储的程序指令。其中，处理器501被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图4所示模块410至420的功能。
应当理解，在本发明实施例中，所称处理器501可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备503可以包括显示器(LCD等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如，存储器504还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器501、输入设备502、输出设备503可执行本发明实施例提供的振动信号压缩方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种振动信号压缩方法，其特征在于，包括：
获取目标机械部件的第一振动信号数据；
基于训练完成的预设堆叠自编码器对所述第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据；
其中，所述预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，所述编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；所述解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。
2.如权利要求1所述的振动信号压缩方法，其特征在于，在基于预设堆叠自编码器对所述第一振动信号数据进行压缩之前，还包括第一振动信号数据的预处理过程，所述第一振动信号数据的预处理过程包括：
按照预设概率随机将第一振动信号数据的部分采样点置零，得到预处理后的第一振动信号数据。
3.如权利要求1所述的振动信号压缩方法，其特征在于，还包括预设堆叠自编码器的训练过程，所述预设堆叠自编码器的训练过程包括：
初始化预设堆叠自编码器中各个处理层的权重系数；
获取目标机械部件的第二振动信号数据；
基于所述第二振动信号数据以及Adam优化方法对所述各个处理层的权重系数进行更新，得到训练完成的预设堆叠自编码器。
4.如权利要求3所述的振动信号压缩方法，其特征在于，所述基于第二振动信号数据以及Adam优化方法对所述各个处理层的权重系数进行更新，包括：
S1：对学习率ε1、矩估计的指数衰减速率ρ1、ρ2、预设常数δ、一阶矩变量s、二阶矩变量r进行初始化，并设定迭代次数t＝0，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；
S2：基于预设堆叠自编码器的重构误差对一阶矩变量和二阶矩变量进行更新，并基于更新后的一阶矩变量和二阶矩变量确定一阶矩偏差和二阶矩偏差，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，基于所述更新量对各个处理层的权重系数进行更新；
S3：令t＝t+1，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；若t大于预设迭代次数、或预设堆叠自编码器的重构误差小于预设阈值，则确定预设堆叠自编码器训练完成，若t不大于预设迭代次数、且预设堆叠自编码器的重构误差不小于预设阈值，则返回执行步骤S2。
5.如权利要求4所述的振动信号压缩方法，其特征在于，基于预设堆叠自编码器的重构误差对一阶矩变量进行更新的方法为：
s2＝ρ1s1+(1-ρ1)g
其中，s1为更新前的一阶矩变量，s2为更新后一阶矩变量，g为预设堆叠自编码器的重构误差；
基于预设堆叠自编码器的重构误差对二阶矩变量进行更新的方法为：
Figure FDA0002713404140000021
其中，r1为更新前的二阶矩变量，r2为更新后的二阶矩变量。
6.如权利要求4所述的振动信号压缩方法，其特征在于，所述根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，包括
Figure FDA0002713404140000022
其中，
Figure FDA0002713404140000023
为所述Adam优化方法的一阶矩偏差，
Figure FDA0002713404140000024
为所述Adam优化方法的二阶矩偏差。
7.一种振动信号压缩装置，其特征在于，包括：
数据采集模块，用于获取目标机械部件的第一振动信号数据；
信号压缩模块，用于基于训练完成的预设堆叠自编码器对所述第一振动信号数据进行压缩，得到压缩后的目标机械部件的振动信号数据；
其中，所述预设堆叠自编码器包含多个自编码器，每个自编码器包括编码器和解码器，所述编码器的处理层包括依次连接的第一卷积层、第一激活函数层、第一批标准化层、第二卷积层、第二激活函数层、第二批标准化层、Flatten层；所述解码器的处理层包括依次连接的第一全连接层、第三激活函数层、第三批标准化层、第二全连接层。
8.如权利要求7所述的振动信号压缩装置，其特征在于，还包括自编码器训练模块，所述自编码器训练模块用于执行以下步骤：
S1：对学习率ε1、矩估计的指数衰减速率ρ1、ρ2、预设常数δ、一阶矩变量s、二阶矩变量r进行初始化，并设定迭代次数t＝0；将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；
S2：基于预设堆叠自编码器的重构误差对一阶矩变量和二阶矩变量进行更新，并基于更新后的一阶矩变量和二阶矩变量确定一阶矩偏差和二阶矩偏差，根据一阶矩偏差和二阶矩偏差确定各个处理层的权重系数的更新量，基于所述更新量对各个处理层的权重系数进行更新；
S3：令t＝t+1，将第二振动信号数据输入至预设堆叠自编码器中，确定预设堆叠自编码器的重构误差；若t大于预设迭代次数、或预设堆叠自编码器的重构误差小于预设阈值，则确定预设堆叠自编码器训练完成，若t不大于预设迭代次数、且预设堆叠自编码器的重构误差不小于预设阈值，则返回执行步骤S2。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN202011064652.3A 2020-09-30 2020-09-30 振动信号压缩的改进卷积自编码器方法及装置 Active CN112152633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011064652.3A CN112152633B (zh) 2020-09-30 2020-09-30 振动信号压缩的改进卷积自编码器方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011064652.3A CN112152633B (zh) 2020-09-30 2020-09-30 振动信号压缩的改进卷积自编码器方法及装置

Publications (2)

Publication Number Publication Date
CN112152633A true CN112152633A (zh) 2020-12-29
CN112152633B CN112152633B (zh) 2023-05-16

Family

ID=73951884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011064652.3A Active CN112152633B (zh) 2020-09-30 2020-09-30 振动信号压缩的改进卷积自编码器方法及装置

Country Status (1)

Country Link
CN (1) CN112152633B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968886A (zh) * 2021-02-02 2021-06-15 东北大学 振动信号压缩方法及装置、存储介质、计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109141881A (zh) * 2018-07-06 2019-01-04 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN109559358A (zh) * 2018-10-22 2019-04-02 天津大学 一种基于卷积自编码的图像样本升采样方法
CN109858408A (zh) * 2019-01-17 2019-06-07 西安交通大学 一种基于自编码器的超声信号处理方法
CN110555474A (zh) * 2019-08-28 2019-12-10 上海电力大学 一种基于半监督学习的光伏面板故障检测方法
CN110691243A (zh) * 2019-10-10 2020-01-14 叠境数字科技（上海）有限公司 一种基于深度卷积网络的点云几何压缩方法
CN111079821A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种脱轨自动制动拉环脱落故障图像识别方法
CN111289250A (zh) * 2020-02-24 2020-06-16 湖南大学 一种伺服电机滚动轴承剩余使用寿命预测方法
CN113344149A (zh) * 2021-08-06 2021-09-03 浙江大学 一种基于神经网络的pm2.5逐小时预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109141881A (zh) * 2018-07-06 2019-01-04 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN109559358A (zh) * 2018-10-22 2019-04-02 天津大学 一种基于卷积自编码的图像样本升采样方法
CN109858408A (zh) * 2019-01-17 2019-06-07 西安交通大学 一种基于自编码器的超声信号处理方法
CN110555474A (zh) * 2019-08-28 2019-12-10 上海电力大学 一种基于半监督学习的光伏面板故障检测方法
CN110691243A (zh) * 2019-10-10 2020-01-14 叠境数字科技（上海）有限公司 一种基于深度卷积网络的点云几何压缩方法
CN111079821A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种脱轨自动制动拉环脱落故障图像识别方法
CN111289250A (zh) * 2020-02-24 2020-06-16 湖南大学 一种伺服电机滚动轴承剩余使用寿命预测方法
CN113344149A (zh) * 2021-08-06 2021-09-03 浙江大学 一种基于神经网络的pm2.5逐小时预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吉安卡洛•扎克尼: "《TensorFlow深度学习》", 31 March 2020 *
李康: "面向创意3D生成的深度学习方法研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
杨振波: "基于一维大尺寸卷积核神经网络的旋转机械故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
闫常弘: "基于压缩采集的轴承智能故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
高志强等: "《深度学习：从入门到实战》", 30 June 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968886A (zh) * 2021-02-02 2021-06-15 东北大学 振动信号压缩方法及装置、存储介质、计算机设备
CN112968886B (zh) * 2021-02-02 2021-12-03 东北大学 振动信号压缩方法及装置、存储介质、计算机设备

Also Published As

Publication number Publication date
CN112152633B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
WO2021208151A1 (zh) 一种模型压缩方法、图像处理方法以及装置
CN111091603B (zh) 一种超声成像方法、装置、可读存储介质及终端设备
CN111476719A (zh) 图像处理方法、装置、计算机设备及存储介质
CN112598537B (zh) 电力设备故障诊断方法、装置及终端设备
CN116012263A (zh) 一种图像噪声去除方法、装置、存储介质及电子设备
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN112152633A (zh) 振动信号压缩方法及装置
CN115456169A (zh) 模型压缩方法、系统、终端及存储介质
CN117218149B (zh) 一种基于自编码神经网络的图像重建方法及系统
CN116992946B (zh) 模型压缩方法、装置、存储介质和程序产品
CN110988673B (zh) 电机转子故障检测方法、装置及终端设备
CN112287950A (zh) 特征提取模块压缩方法、图像处理方法、装置、介质
CN111083482A (zh) 一种视频压缩网络训练方法、装置及终端设备
CN116663388A (zh) 粮堆温度预测方法、装置、设备及存储介质
CN116090540A (zh) 网络模型压缩方法、装置、设备和可读存储介质
CN114187194A (zh) 传感器感应图像降噪处理方法、系统、装置及存储介质
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质
CN113160942A (zh) 影像数据质量评估方法、装置、终端设备及可读存储介质
CN112861365B (zh) 低压配电网负荷状态估计方法、装置及终端设备
CN118115495B (zh) 一种结合排序学习的超分辨率图像质量评价方法及系统
CN115879513B (zh) 一种数据的层次化标准化方法、装置和电子设备
CN114066908B (zh) 一种用于脑肿瘤图像分割的方法及系统
CN113240078B (zh) 基于深度学习网络的磁共振r2*参数量化方法、介质及设备

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