CN113326896A - 一种基于多类型传感器的融合感知方法 - Google Patents

一种基于多类型传感器的融合感知方法 Download PDF

Info

Publication number
CN113326896A
CN113326896A CN202110711124.0A CN202110711124A CN113326896A CN 113326896 A CN113326896 A CN 113326896A CN 202110711124 A CN202110711124 A CN 202110711124A CN 113326896 A CN113326896 A CN 113326896A
Authority
CN
China
Prior art keywords
fusion
dimensional
sensors
feature space
sound
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
Application number
CN202110711124.0A
Other languages
English (en)
Inventor
彭鹏
邵宇鹰
祝雪莲
黄蕾
施玉松
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.)
Shanghai Scifine Iot Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai Scifine Iot Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
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 Shanghai Scifine Iot Technology Co ltd, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai Scifine Iot Technology Co ltd
Priority to CN202110711124.0A priority Critical patent/CN113326896A/zh
Publication of CN113326896A publication Critical patent/CN113326896A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种基于多类型传感器的融合感知方法，具体包含以下步骤：S1：获取不同类型传感器对应的多个输入信号；S2：将不同的输入信号输入对应的浅层卷积神经网络，从而获取对应的特征向量；S3：融合中心通过二次卷积神经网络对所述特征向量进行融合处理；S4：利用线性分类器对融合处理的的特征向量进行分类；S5：根据S4步骤的分类结果识别出不同类型传感器的信号，根据对应的特征向量即可进行故障诊断。本发明实现了多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。

Description

一种基于多类型传感器的融合感知方法
技术领域
本发明涉及泛在电力物联网技术领域，尤其涉及一种基于多类型传感器的融合感知方法。
背景技术
电力行业是国民经济的基础能源产业，对国民经济各产业的健康发展提供支撑，同时对人民生活水平的提高具有重要意义，与国民经济发展息息相关。在国家电网发布的战略规划中提出，到2021年初步建成泛在电力物联网，基本实现业务协同和数据贯通，初步实现统一物联管理，各级智慧能源综合服务平台具备基本功能，支撑电网业务与新兴业务发展；到2024年建成泛在电力物联网，全面实现业务协同、数据贯通和统一物联管理，公司级智慧能源综合服务平台具备强大功能，全面形成共建共治共享的能源互联网生态圈。
而在电力物联网领域中，传感器的使用具有大规模、多源化、异构化等特点，因此亟需突破传统传感器单一感知的限制，研发基于泛在物联网技术的多类型传感器融合感知方法，实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。
发明内容
为实现上述目的，本发明提供了一种基于多类型传感器的融合感知方法，包含以下步骤：
S1：获取不同类型传感器对应的多个输入信号；
S2：将不同的输入信号输入对应的浅层卷积神经网络，从而获取对应的特征向量；
S3：融合中心通过二次卷积神经网络对所述特征向量进行融合处理；
S4：利用线性分类器对融合处理的的特征向量进行分类；
S5：根据S4步骤的分类结果识别出不同类型传感器的信号，根据对应的特征向量即可进行故障诊断。
进一步地，所述S3步骤包括：
S31：通过选取对应的核函数将特征空间的特征向量映射到高维特征空间；
S32：对各个核函数赋予不同的权重值，并进行线性组合；
S33：利用经过该线性组合后的核函数对各个高维特征空间融合处理，得到高维融合特征空间。
所述高维融合特征空间，其表达式如下所示：
Figure BDA0003133814020000021
其中λi表示各个通道的权重值，其中x和z指映射之前的两个输入特征向量向量。
优选地，所述传感器的类型包括：震动传感器、声音传感器、温度传感器、湿度传感器。
优选地，从震动传感器获取震动特征向量，并通过震动核函数映射到震动高维特征空间中；
从声音传感器获取声音特征向量，并通过声音核函数映射到声音高维特征空间中；
从温度传感器获取温度特征向量，并通过温度核函数映射到温度高维特征空间中。
优选地，所述S33步骤包含：利用经过该线性组合后的核函数对所述震动高维特征空间、声音高维特征空间、温度高维特征空间进行融合处理，从而获得高维融合特征空间。
本发明具有以下有益效果：
实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。
附图说明
图1为本发明的多通道融合感知方法流程框图；
图2为本发明的一个实施例的多通道融合感知方法流程图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种基于多类型传感器的融合感知方法作进一步详细说明。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明提供了一种基于多类型传感器的融合感知方法，能够实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判。
如图1所示，本发明的一种基于多类型传感器的融合感知方法包含如下步骤：S1、获取不同类型传感器对应的多个输入信号；S2、将不同的输入信号输入对应的浅层卷积神经网络，从而获取对应的特征向量；S3、融合中心通过二次卷积神经网络对所述特征向量进行融合处理；S4、并利用线性分类器对融合处理的的特征向量进行分类输出分类结果；S5、最后通过该分类结果即可识别不同类型传感器的信号从而实现故障诊断的目的。
如图2所示，本发明通过以震动、声音和湿度等传感器为例，其中不同传感器对应不同的特征向量，(1)多种不同特征向量记为x1,x2,...,xn；(2)每一个特征向量xi在浅层神经网通过选取对应的核函数ki(x,z)，将该单通道的特征空间内的特征向量映射到高维空间；经过多个核函数映射后的高维空间是由多个单通道的特征空间构成的组合空间，组合空间可以组合各个子空间(单通道的特征空间)不同的特征映射能力，能够将不同通道数据中的不同特征向量分别通过最合适的单个核函数进行映射，最终使得数据在新的组合空间中能够更准确的反映各参量的重要性，进而提高样本数据的分类正确率或预测精度。
(3)通过赋予不同核函数不同的权重，将多个核函数进行线性组合，可得到多通道特征的融合，得到融合后的高维特征空间，其表达式如下所示：
Figure BDA0003133814020000041
其中，λi表示各个通道的权重值，其中x和z指映射之前的两个输入特征向量。
(4)在融合后的高维特征空间中应用线性分类器，对目标进行分类。
根据上述的各类传感器，从震动传感器获取震动特征向量1并通过震动核函数10映射到震动高维特征空间100中；从声音传感器获取声音特征向量2并通过声音核函数20映射到声音高维特征空间200中；从温度传感器获取温度特征向量3并通过温度核函数30映射到温度高维特征空间300中；然后对所述震动高维特征空间100、声音高维特征空间200、温度高维特征空间300进行线性组合，从而获得高维融合特征空间900；接着用线性分类器对所述高维融合特征空间中的特征向量进行分类识别，从而获得不同传感器的特征信息，根据所述特征信息即可进行故障诊断。故障诊断是基于融合感知后的数据结果进行的，故障诊断需要针对不同故障类型进行样本训练，然后通过融合感知方法对故障进行分类判断。上述的线性分类器，用于存储不同类别的特征向量信息，包括频谱、幅度和变化规律等，分类器根据神经网络的融合结果，预测每一个类别的概率。
本发明相比于传统融合感知方法，经过多个核函数映射后的高维空间是由多个特征空间构成的组合空间，能够将不同通道数据中的不同特征分别通过最合适的单个核函数进行映射，具有更高的灵活性和更加强大的映射能力，特别是对于样本数据具有比较复杂分布结构的分类、回归等学习问题。本发明实现多参量的联合感知与故障诊断，从而克服传统单参量监测诊断易造成的漏判与误判，提高电力设施在线监测的精度和故障诊断的准确率，最大限度降低安全事故的发生。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种基于多类型传感器的融合感知方法，其特征在于，具体包含以下步骤：
S1：获取不同类型传感器对应的多个输入信号；
S2：将不同的输入信号输入对应的浅层卷积神经网络，获取对应的特征向量；
S3：融合中心通过二次卷积神经网络对所述特征向量进行融合处理得到高维融合特征空间；
S4：利用线性分类器对高维融合特征空间的特征向量进行分类；
S5：根据S4步骤的分类结果识别出不同类型传感器的信号，根据对应的特征向量即可进行故障诊断。
2.如权利要求1所述的基于多类型传感器的融合感知方法，其特征在于，所述S3步骤包括：
S31：通过选取对应的核函数将特征空间的特征向量映射到高维特征空间；
S32：对各个核函数赋予不同的权重值，并进行线性组合；
S33：利用经过该线性组合后的核函数对各个高维特征空间融合处理，得到高维融合特征空间。
3.如权利要求1所述的基于多类型传感器的融合感知方法，其特征在于，所述高维融合特征空间，其表达式如下所示：
Figure FDA0003133814010000011
其中λi表示各个通道的权重值，其中x和z均表示特征向量。
4.如权利要求2所述的基于多类型传感器的融合感知方法，其特征在于，所述传感器的类型包括：震动传感器、声音传感器、温度传感器、湿度传感器。
5.如权利要求4所述的基于多类型传感器的融合感知方法，其特征在于，所述S31步骤包含：
从震动传感器获取震动特征向量，并通过震动核函数映射到震动高维特征空间中；
从声音传感器获取声音特征向量，并通过声音核函数映射到声音高维特征空间中；
从温度传感器获取温度特征向量，并通过温度核函数映射到温度高维特征空间中。
6.如权利要求5所述的基于多类型传感器的融合感知方法，其特征在于，所述S33步骤包含：利用经过该线性组合后的核函数对所述震动高维特征空间、声音高维特征空间、温度高维特征空间进行融合处理，从而获得高维融合特征空间。
CN202110711124.0A 2021-06-25 2021-06-25 一种基于多类型传感器的融合感知方法 Pending CN113326896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110711124.0A CN113326896A (zh) 2021-06-25 2021-06-25 一种基于多类型传感器的融合感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110711124.0A CN113326896A (zh) 2021-06-25 2021-06-25 一种基于多类型传感器的融合感知方法

Publications (1)

Publication Number Publication Date
CN113326896A true CN113326896A (zh) 2021-08-31

Family

ID=77424636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110711124.0A Pending CN113326896A (zh) 2021-06-25 2021-06-25 一种基于多类型传感器的融合感知方法

Country Status (1)

Country Link
CN (1) CN113326896A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108614548A (zh) * 2018-04-03 2018-10-02 北京理工大学 一种基于多模态融合深度学习的智能故障诊断方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
US20190228272A1 (en) * 2018-01-23 2019-07-25 Intelligent Fusion Technology, Inc Methods, systems and media for joint manifold learning based heterogenous sensor data fusion
CN110434676A (zh) * 2019-07-29 2019-11-12 北京理工大学 一种多传感器时频特征融合的镗削颤振监测方法
CN110674892A (zh) * 2019-10-24 2020-01-10 北京航空航天大学 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN111199257A (zh) * 2020-01-10 2020-05-26 中国铁道科学研究院集团有限公司电子计算技术研究所 高铁行车设备故障诊断方法及装置
US20200280429A1 (en) * 2019-03-01 2020-09-03 Aptiv Technologies Limited Method of multi-sensor data fusion
US20200293837A1 (en) * 2019-03-12 2020-09-17 Government Of The United States, As Represented By The Secretary Of The Air Force Heterogeneous data fusion
CN111753752A (zh) * 2020-06-28 2020-10-09 重庆邮电大学 基于卷积神经网络多层特征融合的机器人闭环检测方法
CN111767800A (zh) * 2020-06-02 2020-10-13 华南师范大学 遥感影像场景分类得分融合方法、系统、设备及存储介质
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN112036301A (zh) * 2020-08-31 2020-12-04 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228272A1 (en) * 2018-01-23 2019-07-25 Intelligent Fusion Technology, Inc Methods, systems and media for joint manifold learning based heterogenous sensor data fusion
CN108614548A (zh) * 2018-04-03 2018-10-02 北京理工大学 一种基于多模态融合深度学习的智能故障诊断方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
US20200280429A1 (en) * 2019-03-01 2020-09-03 Aptiv Technologies Limited Method of multi-sensor data fusion
US20200293837A1 (en) * 2019-03-12 2020-09-17 Government Of The United States, As Represented By The Secretary Of The Air Force Heterogeneous data fusion
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN110434676A (zh) * 2019-07-29 2019-11-12 北京理工大学 一种多传感器时频特征融合的镗削颤振监测方法
CN110674892A (zh) * 2019-10-24 2020-01-10 北京航空航天大学 一种基于加权多特征融合和svm分类的故障特征筛选方法
CN111199257A (zh) * 2020-01-10 2020-05-26 中国铁道科学研究院集团有限公司电子计算技术研究所 高铁行车设备故障诊断方法及装置
CN111767800A (zh) * 2020-06-02 2020-10-13 华南师范大学 遥感影像场景分类得分融合方法、系统、设备及存储介质
CN111967486A (zh) * 2020-06-02 2020-11-20 安徽三禾一信息科技有限公司 一种基于多传感器融合的复杂装备故障诊断方法
CN111753752A (zh) * 2020-06-28 2020-10-09 重庆邮电大学 基于卷积神经网络多层特征融合的机器人闭环检测方法
CN112036301A (zh) * 2020-08-31 2020-12-04 中国矿业大学 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
俞昆;谭继文;李善;: "基于多传感器信息融合的滚动轴承故障诊断研究", 仪表技术与传感器, no. 07 *
吴苏;吴文全;王薇;: "基于多传感器数据融合技术的电子设备故障诊断", 计算技术与自动化, no. 01 *
房启成;刘璐;何建?;尹晨;杨瑞元;王禹林;: "基于多源信息融合与随机映射的机床故障诊断", 组合机床与自动化加工技术, no. 10 *
申宇皓;孟晨;张磊;傅振华;: "基于支持向量机的信息融合模拟电路故障诊断方法研究", 计算机测量与控制, no. 11 *
饶雷;唐向红;陆见光;: "基于CNN-SVM和特征融合的齿轮箱故障诊断", 组合机床与自动化加工技术, no. 08 *

Similar Documents

Publication Publication Date Title
Siwiec et al. A pro-environmental method of sample size determination to predict the quality level of products considering current customers’ expectations
CN108280543B (zh) 基于分类回归模式的工况自适应的设备健康度评估方法
Iannace et al. Heating, ventilation, and air conditioning (HVAC) noise detection in open-plan offices using recursive partitioning
CN109697463B (zh) 基于支持向量数据描述集成学习的齿轮故障识别方法
CN111626821B (zh) 基于集成特征选择实现客户分类的产品推荐方法及系统
CN106164896B (zh) 用于发现对手方关系的多维递归方法及系统
CN109459235B (zh) 基于集成学习增强型齿轮单故障类别诊断方法
CN114509266A (zh) 一种基于故障特征融合的轴承健康监测方法
Senoussaoui et al. Transformer oil quality assessment using random forest with feature engineering
CN110659767A (zh) 一种基于lstm-cnn深度学习模型的股票趋势预测方法
Guh Real-time recognition of control chart patterns in autocorrelated processes using a learning vector quantization network-based approach
De Almeida et al. A gage study through the weighting of latent variables under orthogonal rotation
US20210192322A1 (en) Method For Determining A Confidence Level Of Inference Data Produced By Artificial Neural Network
Castañón–Puga et al. A novel hybrid intelligent indoor location method for mobile devices by zones using Wi-Fi signals
CN112711912A (zh) 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质
CN113326896A (zh) 一种基于多类型传感器的融合感知方法
CN116930042A (zh) 建筑防水材料性能检测设备及方法
CN114139643B (zh) 一种基于机器视觉的单甘酯质量检测方法及系统
Moliner-Heredia et al. A sequential inspection procedure for fault detection in multistage manufacturing processes
CN113537759A (zh) 一种基于权重自适应的用户体验度量模型
Abouelmagd E-nose-based optimized ensemble learning for meat quality classification
Dong et al. A novel multi-criteria discounting combination approach for multi-sensor fusion
Maggino et al. New tools for the construction of ranking and evaluation indicators in multidimensional systems of ordinal variables
US20210096054A1 (en) Systems and methods for automated hematological abnormality detection
Fan et al. Supervised Machine Learning–Based Detection of Concrete Efflorescence

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