CN112816191A - 一种基于sdrsn的多特征健康因子融合方法 - Google Patents

一种基于sdrsn的多特征健康因子融合方法 Download PDF

Info

Publication number
CN112816191A
CN112816191A CN202011606166.XA CN202011606166A CN112816191A CN 112816191 A CN112816191 A CN 112816191A CN 202011606166 A CN202011606166 A CN 202011606166A CN 112816191 A CN112816191 A CN 112816191A
Authority
CN
China
Prior art keywords
feature
sdrsn
features
output
fusion method
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
CN202011606166.XA
Other languages
English (en)
Other versions
CN112816191B (zh
Inventor
杨京礼
高天宇
姜守达
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202011606166.XA priority Critical patent/CN112816191B/zh
Publication of CN112816191A publication Critical patent/CN112816191A/zh
Application granted granted Critical
Publication of CN112816191B publication Critical patent/CN112816191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00Testing of machine parts
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01HMEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于SDRSN的多特征健康因子融合方法,涉及故障预测技术领域,针对现有技术中模型不能够降低经验因素的影响,去除冗余信息的问题,SDRSN模型能够进行自适应特征学习,根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法,该模型能够降低经验因素的影响,去除冗余信息。将自归一化思想引入SDRSN模型,能够保证激活值以归一化的状态在网络各层间传递,避免了过拟合现象的发生,获取到包含丰富信息的特征,从而更好地表征旋转机械的健康状态。

Description

一种基于SDRSN的多特征健康因子融合方法
技术领域
本发明涉及故障预测技术领域,具体为一种基于SDRSN的多特征健康因子融合方法。
背景技术
旋转机械由于其通用性目前被广泛应用于各种机械装备与复杂的工作环境中,其一旦受损不仅会影响设备的正常使用,还有可能造成巨大的经济损失和人身安全威胁。因此,开展旋转机械故障预测方法研究一直是机械健康监测领域的迫切需求,而构建有效的健康因子是实现旋转机械故障精确预测的先决条件。
自归一化神经网络(Self-Normalizing Neural Networks,SNN)采用缩放指数线性单元(Scaled Exponential Linear Units,SELU)作为激活函数,能够保证激活值以归一化的状态在网络各层间传递,且该值趋于一个稳定的不动点,一旦扰动导致协变量偏移,便会即刻被拉回到归一化状态,避免了过拟合现象的发生。此外,该函数在输入小于0时神经元依然可以被激活,与采用线性整流单元(Rectified Linear Unit,ReLU)作为激活函数的模型相比,SNN提取到更为丰富的特征,从而更好地表征系统的健康状态。
通过将软阈值和注意力机制引入残差网络,构造了一种深度残差收缩网络(DeepResidual Shrinkage Networks,DRSN)来实现对噪声污染样本的自适应特征学习。DSRN的工作原理是根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。但现有技术中缺少一种能够保证激活值以归一化的状态在网络各层间传递,避免过拟合现象的方法。
发明内容
本发明的目的是:针对现有技术不能保证激活值以归一化的状态在网络各层间传递,避免过拟合现象的问题,提出一种基于SDRSN的多特征健康因子融合方法。
本发明为了解决上述技术问题采取的技术方案是:
一种基于SDRSN的多特征健康因子融合方法,包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出。
进一步的,所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B。
进一步的,所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置。
进一步的,所述归一化处理表示为:
Figure BDA0002865695350000021
Figure BDA0002865695350000022
Figure BDA0002865695350000023
Figure BDA0002865695350000024
其中,N表示特征y1中观察值的数量,
Figure BDA0002865695350000038
表示y1的第n个观察值,
Figure BDA0002865695350000031
表示特征
Figure BDA0002865695350000032
的第n个观察值,ε为接近于0的常数,
Figure BDA0002865695350000033
表示特征y2的第n个观察值,γ为缩放参数,β为偏置参数。
进一步的,所述ε=0.01。
进一步的,所述非线性特征表示为:
Figure BDA0002865695350000034
其中,
Figure BDA0002865695350000035
表示特征y3的第n个观察值,λ=1.0507009873554804,
α=1.6732632423543772。
进一步的,所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
进一步的,所述输出特征B表示为:
Figure BDA0002865695350000036
其中,
Figure BDA0002865695350000037
表示特征y4的第n个观察值。
进一步的,所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
本发明的有益效果是:
(1)SDRSN模型能够进行自适应特征学习,根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法,该模型能够降低经验因素的影响,去除冗余信息。
(2)将自归一化思想引入SDRSN模型,能够保证激活值以归一化的状态在网络各层间传递,避免了过拟合现象的发生,获取到包含丰富信息的特征,从而更好地表征旋转机械的健康状态。
附图说明
图1为SDRSN模型结构示意图;
图2为基于SDRSN的多特征健康因子融合过程示意图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置。
具体实施方式四:本实施方式是对具体实施方式三的进一步说明,本实施方式与具体实施方式三的区别是所述归一化处理表示为:
Figure BDA0002865695350000051
Figure BDA0002865695350000052
Figure BDA0002865695350000053
Figure BDA0002865695350000054
其中,N表示特征y1中观察值的数量,
Figure BDA0002865695350000055
表示y1的第n个观察值,
Figure BDA0002865695350000056
表示特征
Figure BDA0002865695350000057
的第n个观察值,ε为接近于0的保证数值稳定的常数,
Figure BDA0002865695350000058
表示特征y2的第n个观察值,γ为缩放参数,β为偏置参数。
具体实施方式五:本实施方式是对具体实施方式四的进一步说明,本实施方式与具体实施方式四的区别是所述ε=0.01。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是所述非线性特征表示为:
Figure BDA0002865695350000059
其中,
Figure BDA00028656953500000510
表示特征y3的第n个观察值,λ=1.0507009873554804,
α=1.6732632423543772。
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
具体实施方式八:本实施方式是对具体实施方式七的进一步说明,本实施方式与具体实施方式七的区别是所述输出特征B表示为:
Figure BDA0002865695350000061
其中,
Figure BDA0002865695350000062
表示特征y4的第n个观察值。
具体实施方式九:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
本发明提出的SDRSN模型结构如图1所示,主要包括残差块、软阈值化和注意力机制。模型具体描述如下:
1、残差块
残差网络是一种新颖的深度学习方法,能够解决网络深度增加所引发的退化问题。残差网络是由一系列的残差块(Residual building units,RBUs)组成,一个残差块可以表示为
xl+1=xl+F(xl,Wl) (1)
式中,残差块分成直接映射部分xl和残差部分F(xl,Wl)。残差部分F(xl,Wl)由两个批量归一化(Batch Normalization,BN),两个SELU激活函数和两个卷积层等基本部分组成。
卷积层中的卷积核能够减少网络训练参数,从而降低网络遭受过拟合的概率。输入特征与卷积核之间的卷积映射表示为:
Figure BDA0002865695350000063
其中,xi表示输入特征的第i个通道,yj表示输出特征的第j个通道,Mj是计算yj的通道集合,k表示卷积核,b表示偏置。
将BN加入卷积层之间能够减少内部协变量的转移,从而提高网络训练效率并增强网络的泛化能力。BN主要执行特征规范化操作,即先将特征归一化为标准分别,再调整为理想分布。BN的处理过程表示如下:
Figure BDA0002865695350000071
Figure BDA0002865695350000072
Figure BDA0002865695350000073
Figure BDA0002865695350000074
其中,Nbatch表示小批量大小,xn与yn分别是小批量中第n个观察值的输入与输出,ε是接近于0的保证数值稳定的常数,γ是缩放参数,β是偏置参数。
激活函数是神经网络的非线性变换部分。SELU激活函数具备收敛速度快和输出近似零中心的优点,并解决梯度消失和神经元坏死的问题。SELU激活函数表示为
Figure BDA0002865695350000075
其中,λ=1.0507009873554804...,α=1.6732632423543772...。
2、软阈值化
目前,软阈值化是许多去噪算法的核心步骤。软阈值化将绝对值小于阈值的特征删除,并将绝对值大于阈值的特征朝着0的方向收缩。软阈值化的表达式为
Figure BDA0002865695350000076
其中,x和y分别为输入与输出,τ表示阈值。阈值τ的设置必须符合两个条件:一个是阈值为正,另一个是阈值不能大于输入的最大值。
软阈值化函数的导数为:
Figure BDA0002865695350000077
由上可知,软阈值化函数的导数只能是1或者0。因此,软阈值化不仅能够降低特征中的干扰因素,还可以在一定程度上避免模型的梯度消失问题。
3、注意力机制
深度残差收缩网络借鉴了压缩激励网络的子网络结构,以实现注意力机制下的软阈值化。通过图1中红色框内的子网络的学习就能够自动设置阈值。在这个子网络中,首先计算输入样本特征的绝对值,然后经过全局均值池化和平均,获得一个特征A。在另一条路径中,全局均值池化之后的特征被输入到一个小型的全连接网络,以Sigmoid函数作为最后一层,将输出归一化以获得一个系数α。最终,该输入样本对应的阈值可以表示为α×A,这符合上述软阈值的两个条件。
由于能够根据不同的样本自适应设置相应的阈值,SDRSN模型引入了一种特殊的注意力机制:发现输入样本的干扰特征,通过软阈值化将它们置为零。
基于SDRSN的多特征健康因子融合方法的处理过程如图2所示,包括如下步骤:
(1)采集旋转机械的振动信号作为数据输入;
(2)对原始振动数据实施平滑去噪预处理,提取时域、频域、时频域等特征构造原始特征集,然后归一化这些特征;
(3)采用相关性、单调性和鲁棒性指标作为各种特征量的评价标准,来筛选得到与旋转机械退化过程跟踪密切的特征,构造敏感特征集。
(4)将敏感特征集输入SDRSN模型,进行特征融合训练,将测试集的数据输入到训练好的模型中,从而获得表征旋转机械健康状态的健康因子。
本发明选择某机械系统的旋转机械作为研究对象,利用振动传感器采集旋转机械的振动数据,提取振动数据的特征,然后输入到SDRSN模型中构造健康因子,从而实现旋转机械性能退化状态跟踪与剩余寿命预测。
针对旋转机械的故障预测实例,本发明的具体步骤如下:
(1-1)利用振动传感器采集旋转机械的振动数据;
(2-1)采用小波滤波器对原始振动数据实施平滑去噪预处理;
(2-2)提取振动数据的时域、频域和时频域特征,构造原始特征集并进行归一化处理,从而表征旋转机械全面的退化状态信息,原始特征集中的特征如表1所示。
表1时域、频域和时频域特征
Figure BDA0002865695350000081
Figure BDA0002865695350000091
式中x(n),n=1,2,...,N表示从某机械系统的旋转机械采集得到的原始振动信号序列。N表示信号序列长度。p(x(n))表示每个数据出现的概率,且满足
Figure BDA0002865695350000092
(3-1)采用相关性、单调性和鲁棒性指标作为各种特征量的评价标准。在评价标准中,相关性指标可以衡量特征参数序列与时间序列之间的线性相关程度;单调性指标能够反映特征参数序列单调上升或下降的变换程度;鲁棒性指标可以描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
假设特征量序列为E=[e(1),e(2),...,e(K)],时间序列为T=[t1,t2,...,tK],e(tk)代表时间tk处的特征值,其中,K代表总的时间长度。首先采用移动平均法将特征参数序列分为平稳趋势项和随机余量项两部分:
e(tk)=eT(tk)+eR(tk) (10)
其中,eT(tk)代表特征的平稳趋势部分,而eR(tk)则表示特征的随机余量部分。
E和T之间相关性指标记为Corr(E,T),E的单调性指标和鲁棒性指标分别记为Mon(E)和Rob(E),公式(11)-(14)描述了三个评价指标的计算过程:
Figure BDA0002865695350000101
Figure BDA0002865695350000102
Figure BDA0002865695350000103
式中,K代表总的时间长度,δ(·)表示一个简单的单位步阶函数,具体表示如下:
Figure BDA0002865695350000104
(3-2)筛选得到与旋转机械退化过程跟踪密切的10个特征,从而构造敏感特征集。
(4-1)采用旋转机械的剩余使用寿命样本来构建训练集
Figure BDA0002865695350000105
其中选择了xt∈RN*1在t时刻的N个敏感特征,yt∈[0,1]是在时间t处机械旋转部件的退化百分比关联的标签。例如,假设旋转机械的故障时间为2800s,当前检查点为1400s,那么标签yt=0.5。因此,通过最小化损失函数来训练SDRSN模型
Figure BDA0002865695350000106
其中,
Figure BDA0002865695350000107
是SDRSN模型的输出;yt是真实标签值。
(4-2)将测试集的敏感特征直接输入训练好的SDRSN模型,以获得表征旋转机械健康状态的健康因子。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。

Claims (9)

1.一种基于SDRSN的多特征健康因子融合方法,其特征在于包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出。
2.根据权利要求1所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B。
3.根据权利要求2所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置。
4.根据权利要求3所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述归一化处理表示为:
Figure FDA0002865695340000021
Figure FDA0002865695340000022
Figure FDA0002865695340000023
Figure FDA0002865695340000024
其中,N表示特征y1中观察值的数量,
Figure FDA0002865695340000025
表示y1的第n个观察值,
Figure FDA0002865695340000026
表示特征
Figure FDA0002865695340000027
的第n个观察值,ε为接近于0的常数,
Figure FDA0002865695340000028
表示特征y2的第n个观察值,γ为缩放参数,β为偏置参数。
5.根据权利要求4所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述ε=0.01。
6.根据权利要求4所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述非线性特征表示为:
Figure FDA0002865695340000029
其中,
Figure FDA00028656953400000210
表示特征y3的第n个观察值,λ=1.0507009873554804,
α=1.6732632423543772。
7.根据权利要求6所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
8.根据权利要求7所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述输出特征B表示为:
Figure FDA00028656953400000211
其中,
Figure FDA0002865695340000031
表示特征y4的第n个观察值。
9.根据权利要求1所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
CN202011606166.XA 2020-12-28 2020-12-28 一种基于sdrsn的多特征健康因子融合方法 Active CN112816191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011606166.XA CN112816191B (zh) 2020-12-28 2020-12-28 一种基于sdrsn的多特征健康因子融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011606166.XA CN112816191B (zh) 2020-12-28 2020-12-28 一种基于sdrsn的多特征健康因子融合方法

Publications (2)

Publication Number Publication Date
CN112816191A true CN112816191A (zh) 2021-05-18
CN112816191B CN112816191B (zh) 2022-07-29

Family

ID=75855370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011606166.XA Active CN112816191B (zh) 2020-12-28 2020-12-28 一种基于sdrsn的多特征健康因子融合方法

Country Status (1)

Country Link
CN (1) CN112816191B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569990A (zh) * 2021-08-25 2021-10-29 浙江工业大学 面向强噪声干扰环境的演艺装备故障诊断模型构建方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
US20100161245A1 (en) * 2008-12-22 2010-06-24 General Electric Company System and method for rotor blade health monitoring
US20110167025A1 (en) * 2008-07-24 2011-07-07 Kourosh Danai Systems and methods for parameter adaptation
WO2015184729A1 (en) * 2014-06-05 2015-12-10 Tsinghua University Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms
WO2018117914A1 (en) * 2016-12-21 2018-06-28 Limited Liability Company "Gero" Determining wellness using activity data
CN108764601A (zh) * 2018-04-03 2018-11-06 哈尔滨工业大学 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
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
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
CN111147396A (zh) * 2019-12-26 2020-05-12 哈尔滨工程大学 一种基于序列特征的加密流量分类方法
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
US20110167025A1 (en) * 2008-07-24 2011-07-07 Kourosh Danai Systems and methods for parameter adaptation
US20100161245A1 (en) * 2008-12-22 2010-06-24 General Electric Company System and method for rotor blade health monitoring
WO2015184729A1 (en) * 2014-06-05 2015-12-10 Tsinghua University Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms
WO2018117914A1 (en) * 2016-12-21 2018-06-28 Limited Liability Company "Gero" Determining wellness using activity data
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN108764601A (zh) * 2018-04-03 2018-11-06 哈尔滨工业大学 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
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
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111147396A (zh) * 2019-12-26 2020-05-12 哈尔滨工程大学 一种基于序列特征的加密流量分类方法
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LIU, HENGCHANG: "Lightweight Convolutional Neural Network and Its Application in Rolling Bearing Fault Diagnosis under Variable Working Conditions", 《SENSORS》 *
LIU, HENGCHANG: "Lightweight Convolutional Neural Network and Its Application in Rolling Bearing Fault Diagnosis under Variable Working Conditions", 《SENSORS》, vol. 19, no. 22, 6 January 2020 (2020-01-06) *
于波: "基于LabVIEW和BP神经网络的旋转机械故障诊断研究", 《工业仪表与自动化装置》 *
于波: "基于LabVIEW和BP神经网络的旋转机械故障诊断研究", 《工业仪表与自动化装置》, 30 June 2020 (2020-06-30) *
陈仁祥: "融合无量纲指标与信息熵的不同转速下旋转机械故障诊断", 《振动与冲击》 *
陈仁祥: "融合无量纲指标与信息熵的不同转速下旋转机械故障诊断", 《振动与冲击》, vol. 38, no. 11, 30 November 2019 (2019-11-30) *
陈寅生: "基于EEMD样本熵和SRC传感器故障诊断方法的自确认气体", 《系统工程与电子技术》 *
陈寅生: "基于EEMD样本熵和SRC传感器故障诊断方法的自确认气体", 《系统工程与电子技术》, vol. 38, no. 5, 31 May 2016 (2016-05-31) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569990A (zh) * 2021-08-25 2021-10-29 浙江工业大学 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN113569990B (zh) * 2021-08-25 2024-03-05 浙江工业大学 面向强噪声干扰环境的演艺装备故障诊断模型构建方法

Also Published As

Publication number Publication date
CN112816191B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN110728360B (zh) 一种基于bp神经网络的微能源器件能量识别方法
US8595204B2 (en) Spam score propagation for web spam detection
Lian et al. Collaborative filtering meets next check-in location prediction
CN112990280A (zh) 面向图像大数据的类增量分类方法、系统、装置及介质
Qin et al. Intermediate distribution alignment and its application into mechanical fault transfer diagnosis
CN111275175A (zh) 神经网络训练方法、装置、图像分类方法、设备和介质
Wang et al. Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data
CN111538827A (zh) 基于内容和图神经网络的判例推荐方法、装置及存储介质
CN112816191B (zh) 一种基于sdrsn的多特征健康因子融合方法
WO2020209966A1 (en) Training a target model
Zhao et al. Multi-branch convolutional neural networks with integrated cross-entropy for fault diagnosis in diesel engines
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
Gao et al. An Approach to Intelligent Fault Diagnosis of Cryocooler Using Time‐Frequency Image and CNN
Zhang et al. Intelligent fault diagnosis using image representation of multi-domain features
Zeng et al. Remaining useful life prediction for rotating machinery based on dynamic graph and spatial–temporal network
CN114610871B (zh) 基于人工智能算法的情报系统建模分析方法
CN116433909A (zh) 基于相似度加权多教师网络模型的半监督图像语义分割方法
CN115809346A (zh) 一种基于多视图语义增强的小样本知识图谱补全方法
US20210241147A1 (en) Method and device for predicting pair of similar questions and electronic equipment
CN111860441B (zh) 基于无偏深度迁移学习的视频目标识别方法
Wang et al. A novel multiscale deep health indicator with bidirectional LSTM network for bearing performance degradation trend prognosis
Ilkivová et al. Comparison of a linear and nonlinear approach to engine misfires detection
CN111435378B (zh) 查询结果的排序方法、装置、电子设备以及存储介质
Tsumoto et al. Incremental rules induction based on rule layers
CN112613231A (zh) 一种机器学习中隐私可用均衡的轨迹训练数据扰动机制

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