CN112634391B - 一种基于压缩感知的灰度图像深度重建及故障诊断系统 - Google Patents
一种基于压缩感知的灰度图像深度重建及故障诊断系统 Download PDFInfo
- Publication number
- CN112634391B CN112634391B CN202011596758.8A CN202011596758A CN112634391B CN 112634391 B CN112634391 B CN 112634391B CN 202011596758 A CN202011596758 A CN 202011596758A CN 112634391 B CN112634391 B CN 112634391B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- compressed
- fault diagnosis
- image block
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000010606 normalization Methods 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 24
- 230000006835 compression Effects 0.000 claims description 21
- 238000007906 compression Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008054 signal transmission Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于压缩感知的灰度图像深度重建及故障诊断方法及系统,属于水电机组故障诊断领域,方法包括:对水电机组振动通道传感信号形成的原始信号阵列依次进行DWT稀疏变换和归一化处理,得到灰度图像阵列;对灰度图像阵列进行分块及压缩;电站维护端利用深度重建网络模型对各压缩图像块进行重建及整合得到重建图像,其中,深度重建网络模型利用全连接层对压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合;电站维护端利用高斯卷积核对重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果。提高压缩重建图像质量、重建速度以及故障诊断精度,深度重建方式对工业级高频采样信号传输尤为有利。
Description
技术领域
本发明属于水电机组故障诊断领域,更具体地,涉及一种基于压缩感知的灰度图像深度重建及故障诊断方法及系统。
背景技术
近年来,我国各级水电站的总装机容量、已运行容量和在建容量均已到达世界领先水准。伴随着如此大体量的水电规模而来的是日益增长的水电机组维护检修需求。此外,现代设备的高速运转使得产生的数据呈现出数量增加、维度增加、有效信息降低的特点。在科技及人工智能发展的今天,采用一种智能化、高效的、低传输的方式进行机组故障诊断显得尤为必要。
压缩感知理论是一种新型压缩理论,近年来越来越多的应用在降低数据采集、传输压力、信号降噪的领域。传统的压缩理论多采用一种迭代的匹配追踪算法(MatchingPursuit,MP),重建信号花费时间较长,在高压缩率的条件下的重建效果较差,在工业级应用上显现出不足之处。此外,传统方式的信号重建效果依赖于信号在稀疏域的展开选择,过多的依赖于先验知识,这也给压缩感知理论的应用带来了困难。目前将振动信号直接输入卷积神经网络进行分类的理论也属于“黑箱”理论,缺乏实际依据,实验效果难以解释。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于压缩感知的灰度图像深度重建及故障诊断方法及系统,其目的在于将人工智能方法与压缩感知理论相结合,在现地端加入信号前处理,利用离散小波变换(Discrete Wavelet Transform,DWT)进行信号二维特征增强以及信号稀疏化,进一步地,对数据进行压缩传感,提出一种利用深度学习网络的深度重建网络模型,在电站维护端重建数据并进行故障识别,尤其有利于解决工业级高频采样信号传输及信号中故障诊断中存在的相应问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于压缩感知的灰度图像深度重建及故障诊断方法,包括:S1,获取水电机组振动通道传感信号以形成原始信号阵列;S2,对所述原始信号阵列依次进行DWT稀疏变换和归一化处理,以将所述原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列;S3,将所述灰度图像阵列划分为多个图像块,并对各所述图像块进行压缩采样得到相应的压缩图像块,将各所述压缩图像块传输至电站维护端;S4,所述电站维护端利用深度重建网络模型对各所述压缩图像块进行重建得到相应的重建图像块,整合各所述重建图像块得到重建图像;其中,所述深度重建网络模型利用全连接层对所述压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到所述重建图像块;S5,所述电站维护端利用高斯卷积核对所述重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果。
更进一步地,所述S2包括:S21,分别对所述原始信号阵列的每一列进行DWT稀疏变换,得到相应的稀疏列;S22,分别对各所述稀疏列进行归一化处理,并线性映射到(0,255)区间内,得到:
其中,表示线性映射之后得到的列,Yc表示线性映射之前的列,Max(Yc)和Min(Yc)分别为列Yc中的最大值和最小值;S23,将线性映射得到的各列数据整合,得到所述灰度图像阵列。
更进一步地,所述S3包括:S31,将所述灰度图像阵列划分为多个图像块;S32,取出任一图像块P中的每一列数据并重新整合为一列数据P*,利用高斯随机矩阵对所述一列数据P*进行压缩采样,得到所述图像块P对应的压缩图像块;S33,重复执行所述S32,以得到每一所述图像块对应的压缩图像块,S34,将各所述压缩图像块传输至电站维护端。
更进一步地,所述高斯随机矩阵服从均值为0、方差为1的高斯分布,且其压缩率介于0.01至0.25之间。
更进一步地,所述深度重建网络模型中每一所述卷积层后设置有一所述激活层;第一层卷积核的尺寸为13×13,深度为64;第二层卷积核的尺寸为1×1,深度为32;第三层卷积核的尺寸为7×7,深度为1。
更进一步地,所述深度重建网络模型基于分块平均误差函数训练得到,所述分块平均误差函数为:
其中,L({H})为所述分块平均误差函数,W为分块数,为Pij对应的重建图像块,Pij为所述灰度图像阵列划分后第i行第j列的图像块。
更进一步地,所述高斯卷积核为:
其中,G(x,y)为所述高斯卷积核满足的分布函数,x和y分别为所述高斯卷积核的横坐标和纵坐标,σ为分布标准差。
更进一步地,所述基于滤波后的重建图像生成相应的故障诊断结果包括:将所述滤波后的重建图像输入至故障诊断多级模型,以输出相应的故障诊断结果,所述故障诊断多级模型包括依次连接的第一卷积层、第一激励层、第一池化层、第一归一化层、第二卷积层、第二激励层、第二池化层、第二归一化层、第一全连接层、第二全连接层和第三全连接层;所述第一池化层和第二池化层采用最大池化法,所述第一归一化层和第二归一化层的归一化公式为:
其中,fout为输出信号,fin为输入信号,α为缩放因子,n为窗口大小,β为指数项系数,xi为窗口内的每个元素。
更进一步地,所述S1包括:定时获取所述水电机组振动通道传感信号,并按照时间顺序排列形成所述原始信号阵列。
按照本发明的另一个方面,提供了一种基于压缩感知的灰度图像深度重建及故障诊断系统,包括:获取模块,用于获取水电机组振动通道传感信号以形成原始信号阵列;变换及映射模块,用于对所述原始信号阵列依次进行DWT稀疏变换和归一化处理,以将所述原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列;划分及压缩模块,用于将所述灰度图像阵列划分为多个图像块,并对各所述图像块进行压缩采样得到相应的压缩图像块;重建及整合模块,用于利用深度重建网络模型对各所述压缩图像块进行重建得到相应的重建图像块,整合各所述重建图像块得到重建图像;其中,所述深度重建网络模型利用全连接层对所述压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到所述重建图像块;滤波及诊断模块,用于利用高斯卷积核对所述重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:将人工智能方法与压缩感知理论相结合,在现地端加入信号前处理,利用离散小波变换进行信号二维特征增强以及信号稀疏化,进一步地,对数据进行压缩传感,提出了一种新的二维灰度图像深度重建以及诊断多级模型,在压缩重建图像质量、重建速度以及故障诊断精度上都有所提高;利用噪声的不稀疏特性,通过压缩重建过程,降低故障信号中的噪声,突出信号的特征,有利于进一步的故障分析;在高压缩率的采样信号上,深度重建方式在重建质量上具备更明显的优势,这在工业级高频采样信号的传输上尤为重要;采用机组采样信号对模型进行训练,针对性更强,较少的依赖于专家经验知识。
附图说明
图1为本发明实施例提供的基于压缩感知的灰度图像深度重建及故障诊断方法的流程图;
图2为本发明实施例提供的压缩重建及故障诊断模型结构示意图;
图3为本发明实施例提供的深度重建网络模型及高斯卷积核的结构图;
图4为本发明实施例提供的故障诊断多级模型的结构图;
图5A不同压缩率下各方法重建图像PSNR值的比较图;
图5B不同压缩率下各方法重建图像NMSE值的比较图;
图6为本发明实施例提供的基于压缩感知的灰度图像深度重建及故障诊断系统的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”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。
图1为本发明实施例提供的基于压缩感知的灰度图像深度重建及故障诊断方法的流程图。参阅图1,结合图2-图5B,对本实施例中基于压缩感知的灰度图像深度重建及故障诊断方法进行详细说明。方法包括操作S1-操作S5。
操作S1,获取水电机组振动通道传感信号以形成原始信号阵列。
根据本发明实施例,操作S1中,电站现地端等时段定时获取定长的水电机组振动通道传感信号,并按照时间顺序排列形成原始信号阵列N×N。N例如为256,原始的水电机组振动通道传感信号构成256×256的阵列。
操作S2,对原始信号阵列依次进行DWT稀疏变换和归一化处理,以将原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列。
原始信号阵列N×N一般较为复杂且缺乏规律,难以提取特征,不加以处理也会影响后续图像重建等过程,由此本实施例中在电站现地端对原始信号阵列进行前处理。具体地,操作S2包括子操作S21-子操作S23。
在子操作S21中,分别对原始信号阵列的每一列进行DWT稀疏变换,得到相应的稀疏列。具体地,对原始信号阵列N×N中的每一列Xc进行一次Md*Xc*M′d稀疏变换,得到列Xc对应的稀疏列Yc,其中Md是离散小波变换矩阵。
在子操作S22中,分别对各稀疏列Yc进行归一化处理,并线性映射到(0,255)区间内,映射后得到:
其中,表示线性映射之后得到的列,Yc表示线性映射之前的列,Max(Yc)和Min(Yc)分别为列Yc中的最大值和最小值。
在子操作S23中,将线性映射得到的各列数据整合,得到待压缩的灰度图像阵列P(N*N)。
操作S3,将灰度图像阵列划分为多个图像块,并对各图像块进行压缩采样得到相应的压缩图像块。
根据本发明实施例,操作S3包括子操作S31-子操作S34。
在子操作S31中,将灰度图像阵列划分为多个图像块。
参阅图3,以N=256、分块尺寸设置为32×32为例,子操作S31中将256×256的灰度图像阵列划分为8行8列的矩阵,共生成64个图像块,每个图像块是一个32×32的数值矩阵。其中,Pij表示划分后第i行第j列的图像块。
在子操作S32中,取出任一图像块P中的每一列数据并重新整合为一列数据P*,利用高斯随机矩阵对该一列数据P*进行压缩采样,得到图像块P对应的压缩图像块。
具体地,将图像块P中的每一列取出来还原为一列信号,各列信号依次整合形成一列新的信号P*,如图3所示。以图像块P为32×32的数值矩阵为例,新形成的数据P*为1024×1的列。
进一步地,采用高斯随机矩阵对数据P*进行压缩采样,以节约传输资源。高斯随机矩阵服从均值为0、方差为1的高斯分布,且其压缩率(cr)介于0.01至0.25之间。压缩采样过程用公式表示为:
其中,P*为h×1的矩阵,为m×h的高斯随机矩阵,Q*为压缩后的矩阵m×1,压缩率cr=m/h。以P*为1024×1的列、cr=0.25为例,m=256,压缩图像为256×1的列。
在子操作S33中,重复执行子操作S32,以得到每一图像块对应的压缩图像块。
在子操作S34中,将各压缩图像块传输至电站维护端。
本实施例中,操作S1-操作S3在电站现地端执行,操作S4-操作S5在电站维护端执行,如图2所示。
操作S4,电站维护端利用深度重建网络模型对各压缩图像块进行重建得到相应的重建图像块,整合各重建图像块得到重建图像;其中,深度重建网络模型利用全连接层对压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到重建图像块。
电站维护端接收到各压缩图像块之后,采用神经网络学习将各压缩图像块还原为原始信号,其还原过程用公式表示为Hij为神经网络拟合的映射函数。
具体地,参阅图2,首先采用全连接层(Fully connected layer,FC)进行信号初始重建,将压缩信号Q*重新转换为分块信号。其中,全连接层神经元的个数与压缩信号Q*的维度相同,均为m。
然后,采用三个卷积层加激活层对信号进行拟合,缩小重建图像块与原始图像块的误差。参阅图2,每一卷积层后设置有一激活层;第一层卷积核的尺寸为13×13,深度为64;第二层卷积核的尺寸为1×1,深度为32;第三层卷积核的尺寸为7×7,深度为1,每一层卷积层输出特征平面与输入平面大小相当,卷积步长例如均设置为1。本实施例中,深度重建网络模型的结构参数如表1所示。
表1
层数 | 名称 | 核大小 | 深度 | 填充块 | 输出 | 激活函数 |
1 | 数据层 | / | 1 | / | / | / |
2 | 全连接层 | 1024 | 1 | / | 32×32 | / |
3 | 卷积层 | 13×13 | 64 | 6 | 32×32 | ReLU |
4 | 卷积层 | 1×1 | 32 | 0 | 32×32 | ReLU |
5 | 卷积层 | 7×7 | 1 | 3 | 32×32 | ReLU |
填充块的计算公式可由以下公式计算得到:
其中,Iout为输出图像尺寸,Iin为输入图像尺寸,p为填充块尺寸,F为卷积核大小,stride为步长。本实施例中,填充块尺寸例如分别为6,0,3。
深度重建网络模型基于分块平均误差函数训练得到,分块平均误差函数L({H})为:
其中,W为分块数,为Pij对应的重建图像块,Pij为灰度图像阵列划分后第i行第j列的图像块。
本实施例中,深度重建网络模型每层的输出均未改变图像大小,采用训练好的模型进行图像重建。为了说明本发明实施例中深度重建网络模型在压缩重建方面的优势,分别在0.01、0.04、0.10、0.25这四个压缩率下进行压缩重建,与传统迭代的正交匹配追踪方式进行比较,以得到的重建图像的峰值信噪比(PSNR)和标准均方误差(NMSE)两个指标,分别描述二者在重建图像的图像质量、重建图像与原始图像差异大小方面的比较。
PSNR和NMSE的计算公式分别为:
分别采用伯努利字典、高斯随机字典、范德蒙德字典、稀疏字典进行信号稀疏化,重建过程采用正交匹配追踪(OMP)的方法进行比较。对比结果如图5A和5B所示,参阅图5A和5B,可以看出,本发明实施例中的深度重建方法,在高压缩率的条件下,重建精度更高,信号相对噪声的比率更大,视觉效果以及特征保留更多。表示初始图像与重建图像之间的差异值NMSE比较小,说明了本发明实施例中压缩重建模型的有效性以及在高压缩率下的优越性。
操作S5,电站维护端利用高斯卷积核对重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果。
高斯卷积核为:
其中,G(x,y)为所述高斯卷积核满足的分布函数;以卷积核中心点为(0,0)点,x和y分别为高斯卷积核的横坐标和纵坐标;σ为分布标准差。例如选取5×5的卷积核,则该矩阵为以G(0,0)为中心的方阵,σ=0.5。
操作S5中,将滤波后的重建图像输入至故障诊断多级模型,以输出相应的故障诊断结果。故障诊断多级模型以卷积神经网络为基础,模型的具体参数以及模型各层输入输出大小例如如表2所示,模型的网络结构如图4所示。
表2
故障诊断多级模型包括依次连接的第一卷积层、第一激励层、第一池化层、第一归一化层、第二卷积层、第二激励层、第二池化层、第二归一化层、第一全连接层、第二全连接层和第三全连接层。
在模型的训练相输入端,经过大量实验及经验得出输入图像剪切尺寸设定为32,对数据添加镜像操作以增加模型表征能力,为增加运算速度预先计算一般灰度图像均值文件并进行加载。首先采用第一卷积层对重建图像的二维深度特征进行提取,卷积核大小为11×11,卷积步长为4,神经元参数偏值项设置为0,输出64个6×6的特征平面。然后连接第一激励层,生成特征平面个数为128个。之后,采用第一池化层进行特征平面降维操作,池化层的操作公式为选取池化窗口内最大的值作为新的特征值,提升图像深层纹理特征。池化操作后的图像大小为3×3。为避免梯度爆炸和梯度消失的问题,使用归一化层进行网络侧抑制,加快网络传播速度,满足工业用快速诊断需求。进一步地,采用第二卷积层、第二激励层、第二池化层、第二归一化层重复上述操作以提取更深层次的故障特征,其中,第二卷积层的卷积核尺寸为5×5,生成特征平面个数为256,神经元参数偏值项设为1,其他各层参数不变。
第一池化层和第二池化层采用最大池化法,第一归一化层和第二归一化层的归一化公式为:
其中,fout为输出信号,fin为输入信号,α为缩放因子,n为窗口大小,β为指数项系数,xi为窗口内的每个元素。α优选为0.0001,β优选为0.75。
利用第一全连接层和第二全连接层对前向特征进行特征加权,采用网络的损失函数为交叉熵损失函数H(p,q):
再通过softmax回归将交叉熵转换为各故障信号分布的概率softmax(yi),具体计算公式为:
其中,p(x)为故障信号的期望分布,q(x)为故障信号的实际分部,x为某类故障信号,n为故障类别数,yi为原始神经网络的输出。此外,为避免过拟合现象发生,通常在第一全连接层和第二全连接层加入失活条件,失活率一般设置为0.5,以增加网络的鲁棒性以及泛化性。
第三全连接层神经元个数为故障分类个数,直接输出重建图像对应的故障类型或者输出重建图像正常,相应的表明电站现地端获取到的水电机组振动通道传感信号是否正常以及不正常时对应的故障类型。本实施例中基于压缩感知的灰度图像深度重建及故障诊断方法将平均准确率提高到了98%以上,具有很强的故障信号表征和分类能力。
图6为本发明实施例提供的基于压缩感知的灰度图像深度重建及故障诊断系统的框图。参阅图6,该基于压缩感知的灰度图像深度重建及故障诊断系统600包括获取模块610、变换及映射模块620、划分及压缩模块630、重建及整合模块640以及滤波及诊断模块650。
获取模块610例如执行操作S1,用于获取水电机组振动通道传感信号以形成原始信号阵列。
变换及映射模块620例如执行操作S2,用于对原始信号阵列依次进行DWT稀疏变换和归一化处理,以将原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列。
划分及压缩模块630例如执行操作S3,用于将灰度图像阵列划分为多个图像块,并对各图像块进行压缩采样得到相应的压缩图像块。
重建及整合模块640例如执行操作S4,用于利用深度重建网络模型对各压缩图像块进行重建得到相应的重建图像块,整合各重建图像块得到重建图像;其中,深度重建网络模型利用全连接层对压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到重建图像块。
滤波及诊断模块650例如执行操作S5,用于利用高斯卷积核对重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果。
基于压缩感知的灰度图像深度重建及故障诊断系统600用于执行上述图1-图5B所示实施例中的基于压缩感知的灰度图像深度重建及故障诊断方法。本实施例未尽之细节,请参阅前述图1-图5B所示实施例中的基于压缩感知的灰度图像深度重建及故障诊断方法,此处不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,包括:
S1,获取水电机组振动通道传感信号以形成原始信号阵列;
S2,对所述原始信号阵列依次进行DWT稀疏变换和归一化处理,以将所述原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列;
S3,将所述灰度图像阵列划分为多个图像块,并对各所述图像块进行压缩采样得到相应的压缩图像块,将各所述压缩图像块传输至电站维护端;
S4,所述电站维护端利用深度重建网络模型对各所述压缩图像块进行重建得到相应的重建图像块,整合各所述重建图像块得到重建图像;其中,所述深度重建网络模型利用全连接层对所述压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到所述重建图像块;
S5,所述电站维护端利用高斯卷积核对所述重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果;
所述S1-所述S3在电站现地端执行;所述S4-所述S5在电站维护端执行;
所述S2包括:
S21,分别对所述原始信号阵列的每一列进行DWT稀疏变换,得到相应的稀疏列;
S22,分别对各所述稀疏列进行归一化处理,并线性映射到(0,255)区间内,得到:
其中,表示线性映射之后得到的列,Yc表示线性映射之前的列,Max(Yc)和Min(Yc)分别为列Yc中的最大值和最小值;
S23,将线性映射得到的各列数据整合,得到所述灰度图像阵列;
所述S3包括:
S31,将所述灰度图像阵列划分为多个图像块;
S32,取出任一图像块P中的每一列数据并重新整合为一列数据P*,利用高斯随机矩阵对所述一列数据P*进行压缩采样,得到所述图像块P对应的压缩图像块;
S33,重复执行所述S32,以得到每一所述图像块对应的压缩图像块;
S34,将各所述压缩图像块传输至电站维护端;
所述基于滤波后的重建图像生成相应的故障诊断结果包括:
将所述滤波后的重建图像输入至故障诊断多级模型,以输出相应的故障诊断结果,所述故障诊断多级模型包括依次连接的第一卷积层、第一激励层、第一池化层、第一归一化层、第二卷积层、第二激励层、第二池化层、第二归一化层、第一全连接层、第二全连接层和第三全连接层;所述第一池化层和第二池化层采用最大池化法,所述第一归一化层和第二归一化层的归一化公式为:
其中,fout为输出信号,fin为输入信号,α为缩放因子,n为窗口大小,β为指数项系数,xi为窗口内的每个元素。
2.如权利要求1所述的基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,所述高斯随机矩阵服从均值为0、方差为1的高斯分布,且其压缩率介于0.01至0.25之间。
3.如权利要求1所述的基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,所述深度重建网络模型中每一所述卷积层后设置有一所述激活层;第一层卷积核的尺寸为13×13,深度为64;第二层卷积核的尺寸为1×1,深度为32;第三层卷积核的尺寸为7×7,深度为1。
4.如权利要求1所述的基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,所述深度重建网络模型基于分块平均误差函数训练得到,所述分块平均误差函数为:
其中,L({H})为所述分块平均误差函数,W为分块数,为Pij对应的重建图像块,Pij为所述灰度图像阵列划分后第i行第j列的图像块。
5.如权利要求1所述的基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,所述高斯卷积核为:
其中,G(x,y)为所述高斯卷积核满足的分布函数,x和y分别为所述高斯卷积核的横坐标和纵坐标,σ为分布标准差。
6.如权利要求1-5任一项所述的基于压缩感知的灰度图像深度重建及故障诊断方法,其特征在于,所述S1包括:定时获取所述水电机组振动通道传感信号,并按照时间顺序排列形成所述原始信号阵列。
7.一种基于压缩感知的灰度图像深度重建及故障诊断系统,其特征在于,包括:
获取模块,用于获取水电机组振动通道传感信号以形成原始信号阵列;
变换及映射模块,用于对所述原始信号阵列依次进行DWT稀疏变换和归一化处理,以将所述原始信号阵列映射到单通道灰度图像区间内,得到相应的灰度图像阵列;
划分及压缩模块,用于将所述灰度图像阵列划分为多个图像块,并对各所述图像块进行压缩采样得到相应的压缩图像块;
重建及整合模块,用于利用深度重建网络模型对各所述压缩图像块进行重建得到相应的重建图像块,整合各所述重建图像块得到重建图像;其中,所述深度重建网络模型利用全连接层对所述压缩图像块进行初次重建后,采用三个卷积层和激活层对初次重建后的图像进行拟合得到所述重建图像块;
滤波及诊断模块,用于利用高斯卷积核对所述重建图像进行滤波,并基于滤波后的重建图像生成相应的故障诊断结果;
所述获取模块、所述变换及映射模块和所述划分及压缩模块在电站现地端;所述重建及整合模块和所述滤波及诊断模块在电站维护端;
所述变换及映射模块用于执行S21-S23:
S21,分别对所述原始信号阵列的每一列进行DWT稀疏变换,得到相应的稀疏列;
S22,分别对各所述稀疏列进行归一化处理,并线性映射到(0,255)区间内,得到:
其中,表示线性映射之后得到的列,Yc表示线性映射之前的列,Max(Yc)和Min(Yc)分别为列Yc中的最大值和最小值;
S23,将线性映射得到的各列数据整合,得到所述灰度图像阵列;
所述划分及压缩模块用于执行S31-S34:
S31,将所述灰度图像阵列划分为多个图像块;
S32,取出任一图像块P中的每一列数据并重新整合为一列数据P*,利用高斯随机矩阵对所述一列数据P*进行压缩采样,得到所述图像块P对应的压缩图像块;
S33,重复执行所述S32,以得到每一所述图像块对应的压缩图像块;
S34,将各所述压缩图像块传输至电站维护端;
所述基于滤波后的重建图像生成相应的故障诊断结果包括:
将所述滤波后的重建图像输入至故障诊断多级模型,以输出相应的故障诊断结果,所述故障诊断多级模型包括依次连接的第一卷积层、第一激励层、第一池化层、第一归一化层、第二卷积层、第二激励层、第二池化层、第二归一化层、第一全连接层、第二全连接层和第三全连接层;所述第一池化层和第二池化层采用最大池化法,所述第一归一化层和第二归一化层的归一化公式为:
其中,fout为输出信号,fin为输入信号,α为缩放因子,n为窗口大小,β为指数项系数,xi为窗口内的每个元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596758.8A CN112634391B (zh) | 2020-12-29 | 2020-12-29 | 一种基于压缩感知的灰度图像深度重建及故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011596758.8A CN112634391B (zh) | 2020-12-29 | 2020-12-29 | 一种基于压缩感知的灰度图像深度重建及故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634391A CN112634391A (zh) | 2021-04-09 |
CN112634391B true CN112634391B (zh) | 2023-12-29 |
Family
ID=75287504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011596758.8A Active CN112634391B (zh) | 2020-12-29 | 2020-12-29 | 一种基于压缩感知的灰度图像深度重建及故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634391B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658282A (zh) * | 2021-06-25 | 2021-11-16 | 陕西尚品信息科技有限公司 | 一种图像压缩解压缩方法及其装置 |
CN115330901B (zh) * | 2022-10-17 | 2023-01-17 | 广东工业大学 | 一种基于压缩感知网络的图像重构方法和装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
CN109858352A (zh) * | 2018-12-26 | 2019-06-07 | 华中科技大学 | 一种基于压缩感知与改进多尺度网络的故障诊断方法 |
CN110084862A (zh) * | 2019-04-04 | 2019-08-02 | 湖北工业大学 | 基于多尺度小波变换与深度学习的图像压缩感知算法 |
WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及系统 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
CN111667444A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN111967519A (zh) * | 2020-08-18 | 2020-11-20 | 河南工业大学 | 基于多源压缩感知的故障诊断方法 |
CN112116601A (zh) * | 2020-08-18 | 2020-12-22 | 河南大学 | 一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机系统 |
-
2020
- 2020-12-29 CN CN202011596758.8A patent/CN112634391B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286924A (ja) * | 2006-04-17 | 2007-11-01 | Fuji Xerox Co Ltd | 故障診断モデル生成装置、故障診断モデル生成方法、故障診断システム、及び、故障診断方法 |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108319962A (zh) * | 2018-01-29 | 2018-07-24 | 安徽大学 | 一种基于卷积神经网络的刀具磨损监测方法 |
WO2020015330A1 (zh) * | 2018-07-20 | 2020-01-23 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及系统 |
CN109410114A (zh) * | 2018-09-19 | 2019-03-01 | 湖北工业大学 | 基于深度学习的压缩感知图像重建算法 |
CN109858352A (zh) * | 2018-12-26 | 2019-06-07 | 华中科技大学 | 一种基于压缩感知与改进多尺度网络的故障诊断方法 |
CN110084862A (zh) * | 2019-04-04 | 2019-08-02 | 湖北工业大学 | 基于多尺度小波变换与深度学习的图像压缩感知算法 |
CN110849626A (zh) * | 2019-11-18 | 2020-02-28 | 东南大学 | 一种自适应稀疏压缩自编码的滚动轴承故障诊断系统 |
CN111442926A (zh) * | 2020-01-11 | 2020-07-24 | 哈尔滨理工大学 | 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法 |
CN111667444A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN111967519A (zh) * | 2020-08-18 | 2020-11-20 | 河南工业大学 | 基于多源压缩感知的故障诊断方法 |
CN112116601A (zh) * | 2020-08-18 | 2020-12-22 | 河南大学 | 一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统 |
Non-Patent Citations (8)
Title |
---|
Data-Driven Fault Diagnosis Method Based on Compressed Sensing and Improved Multiscale Network;Zhong-Xu Hu 等;IEEE;3216-3225 * |
压缩感知和改进深层小波网络在轴承故障诊断中的应用;杜小磊;陈志刚;张楠;许旭;;机械强度(04);777-785 * |
压缩感知和改进深层小波网络在轴承故障诊断中的应用;杜小磊等;《机械强度》;20200814(第04期);777-785 * |
基于VMD-CNN的水电机组故障诊断;胡晓;肖志怀;刘东;蒋文君;刘冬;袁喜来;;水电能源科学(08);137-141 * |
基于压缩采集与深度学习的轴承故障诊断方法;温江涛等;《仪器仪表学报》;20180115(第01期);171-179 * |
张善文.图像的不变形特征提取.《图像模式识别》.西安电子科技大学出版社,2020,47-48. * |
稀疏度拟合的自适应机械振动信号压缩感知;杨正理 等;《振动、测试与诊断》;929-936 * |
闵秋莎,王志锋著.《医学图像压缩算法与应用研究》.华中师范大学出版社,2018,(第1版),50-51. * |
Also Published As
Publication number | Publication date |
---|---|
CN112634391A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
WO2021088377A1 (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
CN112634391B (zh) | 一种基于压缩感知的灰度图像深度重建及故障诊断系统 | |
CN106663316A (zh) | 一种基于块稀疏压缩感知的红外图像重构方法及其系统 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN111274525B (zh) | 一种基于多线性增广拉格朗日乘子法的张量数据恢复方法 | |
CN111340186A (zh) | 基于张量分解的压缩表示学习方法 | |
CN113255437A (zh) | 滚动轴承深度卷积稀疏自动编码器故障诊断方法 | |
CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN112668459A (zh) | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 | |
CN111507046A (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN115049054B (zh) | 基于特征图响应的通道自适应分段动态网络剪枝方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN115115888A (zh) | 格拉姆角场和cnn-lstm的电能质量扰动分类方法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN117828333A (zh) | 一种基于信号混合增强和cnn的电缆局放特征提取方法 | |
CN114004295B (zh) | 一种基于对抗增强的小样本图像数据拓展方法 | |
CN116358872A (zh) | 一种基于深度学习的轴承剩余寿命预测方法 | |
CN114548153B (zh) | 基于残差-胶囊网络的行星齿轮箱故障诊断方法 |
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 |