CN113554000A - 一种基于深度学习的压力传感器的故障诊断方法与装置 - Google Patents
一种基于深度学习的压力传感器的故障诊断方法与装置 Download PDFInfo
- Publication number
- CN113554000A CN113554000A CN202111095360.0A CN202111095360A CN113554000A CN 113554000 A CN113554000 A CN 113554000A CN 202111095360 A CN202111095360 A CN 202111095360A CN 113554000 A CN113554000 A CN 113554000A
- Authority
- CN
- China
- Prior art keywords
- fault
- spectrum
- pressure sensor
- modal
- fault signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L25/00—Testing or calibrating of apparatus for measuring force, torque, work, mechanical power, or mechanical efficiency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L27/00—Testing or calibrating of apparatus for measuring fluid pressure
- G01L27/007—Malfunction diagnosis, i.e. diagnosing a sensor defect
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及一种基于深度学习的压力传感器的故障诊断方法及系统,其方法包括:获取待测压力传感器的故障信号;对所述故障信号分别进行短时傅里叶变换和经验模态分解;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。本发明通过模态分解和傅里叶变换获取故障的时域、时频域、能量谱等特征,再利用基于深度学习的识别模型对故障类型进行识别,从而提高了识别的通用性和灵活性。
Description
技术领域
本发明属于压力传感器故障诊断识别和机器学习领域,具体涉及一种基于深度学习的压力传感器的故障诊断方法与装置。
背景技术
随着5G等通信技术的日渐成熟普及各种智能设备的不断发展,对各种智能设备中的传感器的测量精度、实时性、可靠性以及自确认性提出了很高的要求。进一步,压力传感器作为各种测控系统或智能系统的基础,其结构日渐复杂,相应的型号调理电路随之变多,出现故障的可能性增大;如果一旦发生故障,可能影响整个系统的运行,后果不堪设想;近年来,基于自确认传感器技术与压力传感器相结合的故障诊断方法逐渐成为发展趋势。
另一方面,基于信号处理的传感器故障诊断方法主要是基于小波变化的方法与基于信息融合的方法。而前者小波基的选取对测量结果影响大,后者依赖专家知识,导致现有压力传感器的故障诊断模型复杂、通用性和灵活性差。
发明内容
为解决现有压力传感器故障诊断技术的模型复杂、通用性和灵活性差的问题,在本发明的第一方面提供了一种基于深度学习的压力传感器的故障诊断方法,包括如下步骤:获取待测压力传感器的故障信号;对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
在本发明的一些实施例中,所述对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱还包括:对所述故障信号分别进行短时傅里叶变换、S变换和经验模态分解,得到所述故障信号的频率谱、时频谱和边际谱。
在本发明的一些实施例中,所述根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数包括如下步骤:计算经验模态分解过程中得到的多个模态函数的信息熵;将最大信息熵所在模态函数的序数,经过频率谱的谐波个数,作为候选模态数;对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
其中:H(x)表示信息熵,pi表示每个离散点出现的概率,χ为频带信号内每个离散点对应的幅值,i为频带中的每个离散点的序号,N为频带中的离散点总数;E j 为频带信号的能量和,j为模态函数的序数。
在本发明的一些实施例中,所述故障识别模型包括双向GRU和隐马尔可夫模型,所述双向GRU的输出层与隐马尔可夫模型输入层连接,所述双向GRU,用于根据待测压力传感器的频率谱、边际谱和包络谱识别其故障分类;所述隐马尔可夫模型,用于根据所述故障分类构建待测压力传感器的故障原因的有向无环图。
在上述的实施例中,所述双向GRU通过如下步骤训练:获取压力传感器的多个故障信号、及每个故障信号对应的频率谱、边际谱、包络谱和故障分类;根据每个故障信号对应的频率谱、边际谱、包络谱作为样本,与其对应的故障类型作为标签,构建训练集;根据所述训练集对双向GRU进行训练,直至趋于稳定且误差低于阈值,得到训练完成的双向GRU。
本发明的第二方面,提供了一种基于深度学习的压力传感器的故障诊断系统,包括:获取模块,用于获取待测压力传感器的故障信号;确定模块,用于对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;分解模块,用于根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;识别模块,用于将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
进一步的,所述确定模块包括计算单元、候选单元、确定单元,所述计算单元,用于计算经验模态分解过程中得到的多个模态函数的信息熵;所述候选单元,用于将所述多个模态函数中的最大信息熵所在模态函数的序数和频率谱的谐波个数,作为候选模态数;所述确定单元,用于对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的基于深度学习的压力传感器的故障诊断方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明第一方面提供的基于深度学习的压力传感器的故障诊断方法。
本发明的有益效果是:
1.本发明通过模态分解和傅里叶变换获取故障的频域、时频域、能量谱等特征,再利用基于深度学习的识别模型对故障类型进行识别,从而提高了识别的通用性和灵活性;
2.通过对故障信号的S变换,提高故障特征表达的多样性,进而提高故障识别模型的通用性和灵活性;
3.通过短时傅里叶变换和经验模态分解可动态确定变分模态分解的模态函数个数,减少由人工根据经验指定带来的不确定性,并提高变分模态分解过程的自动化程度;
4.由于GRU具有处理时序数据的优势,而隐马尔可夫模型具有预测事件发生概率优势,利用GRU和隐马尔可夫模型分别处理波形和预测故障原因,从而提高了单一模型预测或诊断故障的准确性。
附图说明
图1为本发明的一些实施例中的基于深度学习的压力传感器的故障诊断方法的流程示意图;
图2为本发明的一些实施例中的基于深度学习的压力传感器的故障诊断方法的原理示意图之一;
图3为本发明的一些实施例中的基于深度学习的压力传感器的故障诊断方法的步骤S200的具体流程示意图;
图4为本发明的一些实施例中的故障信号经变分模态分解得到的各个模态函数的波形示意图;
图5为本发明的一些实施例中的变分模态分解过程的时域波形与其对应的包络谱;
图6为本发明的一些实施例中的基于深度学习的压力传感器的故障诊断方法的原理示意图之二;
图7为本发明的一些实施例中的基于深度学习的压力传感器的故障诊断系统的结构示意图;
图8为本发明的一些实施例中的电子设备的基本结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1与图2,在本发明的第一方面提供了一种基于深度学习的压力传感器的故障诊断方法,包括如下步骤:S100.获取待测压力传感器的故障信号;S200.对所述故障信号分别进行短时傅里叶变换(Short Time Fourier Transform,STFT)和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;S300.根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;S400.将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
可以理解,利用单一的频率谱、边际谱、包络谱对识别特定的频率变化规律具有各自的优势,每种特征识别准确率(波形的分辨率)与识别的频带一般呈反相关,即准确率越高,其识别准确的频带就越窄;另一方面,经验模态分解(Empirical Mode Decomposition,EMD)得到的边际谱容易受奇异点的影响出现混叠,变分模态分解(Variational ModeDecomposition,VMD)过程中的分解层数需要事先确定。为了拓宽频带识别范围和准确率,将频率谱、边际谱、包络谱有机结合能有效解决上述问题,同时提高灵活性和通用性。模态函数的全称为本征模态函数(Intrinsic Mode function,IMF),本征模态函数或模态函数的个数简称为模态数。
参考图3与图4,为进一步丰富故障信号的特征,提高识别准确率,在本发明的一些实施例中的步骤S200中,所述对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱还包括:S201.对所述故障信号分别进行短时傅里叶变换、S变换和经验模态分解,得到所述故障信号的频率谱、时频谱和边际谱。可选的,为了丰富故障信号的特征或使训练的数据集具有一定的冗余度及噪声,上述S变换可替换为拉普克拉斯变换、Z变换、傅里叶变换、希尔伯特变换中的一种或多种复合得到的不同于经验模态或变分模态的频率谱或时频谱等。示意性地,图4从上至下依次展示了原始故障波形经过多次经验模态分解得到的每个模态函数(实际测量得的为离散序列)的波形图,最后两层为残差。
参考图3,在本发明的一些实施例的步骤S200中,所述根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数包括如下步骤:S202.计算经验模态分解过程中得到的多个模态函数的信息熵;S203.将最大信息熵所在模态函数的序数,经过频率谱的谐波个数,作为候选模态数;S204.对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
信息熵(香农熵)作为信号稀疏程度的度量,其大小可以直观的反应信号的稀疏特征。若分解出的IMF分量中包含有丰富的规律性故障信号,既信号信号周期性特征明显,则IMF分量表现出较强的稀疏特性,香农熵较小。若分解出的IMF分量中包含有大量的噪声信号或者无规律信号,则此分量不含有重要的故障信息。表现出较弱稀疏特性,香农熵较大。
进一步的,所述多个模态函数的信息熵通过如下方法计算:
其中,pi表示每个离散点出现的概率,其可用下式计算:
其中:χ为频带信号内每个离散点对应的幅值,i为频带中的每个离散点的序号,N为频带中的离散点总数;E j 为频带信号的能量和,j为模态函数的序数。
参考图5,在本发明的一些实施例的步骤S300中,根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱。图示中的f 0-4f 0分别代表了不同的模态的中心频率,具体如下:
在VMD过程中,假设每个IMF分量具有有限的带宽和不同的中心频率,它们会不断地相互交替迭代更新,自适应地分解信号,得到k个本征模态函数。并且要求各IMF对应的带宽累加和最小。变分问题构造如下:
先通过Hilbert(希尔伯特)变换得到解析信号,可以得到其单边频谱,再移动频谱到估计的中心频率,并计算信号梯度平方的L 2 ,从而得到各信号的带宽。则变分问题为:
δ(t)表示残差,u k 表示模态,ω k 分别为u k 对应的中心频率,k为模态数,f表示整个频谱;特别地,{u k }={u 1 u k },{ω}={ω 1 ω k }。
参考图6,在本发明的一些实施例中,所述故障识别模型包括双向GRU和隐马尔可夫模型,所述双向GRU(Gated Recurrent Unit,门控循环单元)的输出层与隐马尔可夫模型输入层连接,所述双向GRU,用于根据待测压力传感器的频率谱、边际谱和包络谱识别其故障分类;所述隐马尔可夫模型,用于根据所述故障分类构建待测压力传感器的故障原因的有向无环图。
示意性地,图示中的特征1至特征3仅为举例,SFT、EMD和VMD与特征之间并不局限于图中的一一对应关系;当特征1-特征3之间存在相同或相似,则可根据聚类算法将特征进行聚合或采用降维方法以降低特征的维度。
在上述的实施例中,所述双向GRU通过如下步骤训练:获取压力传感器的多个故障信号、及每个故障信号对应的频率谱、边际谱、包络谱和故障分类;根据每个故障信号对应的频率谱、边际谱、包络谱作为样本,与其对应的故障类型作为标签,构建训练集;根据所述训练集对双向GRU进行训练,直至趋于稳定且误差低于阈值,得到训练完成的双向GRU。
可以理解,故障信号包括偏差故障信号、冲击故障信号、周期性故障信号、漂移故障信号、随机故障信号或恒值故障信号等。具体参考下表:
参考图7,在本发明的第二方面,提供了提供了一种基于深度学习的压力传感器的故障诊断系统1,包括:获取模块11,用于获取待测压力传感器的故障信号;确定模块12,用于对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;分解模块13,用于根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;识别模块14,用于将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
进一步的,所述确定模块12包括计算单元、候选单元、确定单元,所述计算单元,用于计算经验模态分解过程中得到的多个模态函数的信息熵;所述候选单元,用于将所述多个模态函数中的最大信息熵所在模态函数的序数和频率谱的谐波个数,作为候选模态数;所述确定单元,用于对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
参考图8,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的基于深度学习的压力传感器的故障诊断方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的压力传感器的故障诊断方法,其特征在于,包括如下步骤:
获取待测压力传感器的故障信号;
对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;
根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;
将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
2.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于,所述对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱还包括:
对所述故障信号分别进行短时傅里叶变换、S变换和经验模态分解,得到所述故障信号的频率谱、时频谱和边际谱。
3.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于,所述根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数包括如下步骤:
计算经验模态分解过程中得到的多个模态函数的信息熵;
将最大信息熵所在模态函数的序数,经过频率谱的谐波个数,作为候选模态数;
对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
5.根据权利要求1所述的基于深度学习的压力传感器的故障诊断方法,其特征在于,所述故障识别模型包括双向GRU和隐马尔可夫模型,所述双向GRU的输出层与隐马尔可夫模型输入层连接,
所述双向GRU,用于根据待测压力传感器的频率谱、边际谱和包络谱识别其故障分类;
所述隐马尔可夫模型,用于根据所述故障分类构建待测压力传感器的故障原因的有向无环图。
6.根据权利要求5所述的基于深度学习的压力传感器的故障诊断方法,其特征在于,所述双向GRU通过如下步骤训练:
获取压力传感器的多个故障信号、及每个故障信号对应的频率谱、边际谱、包络谱和故障分类;
根据每个故障信号对应的频率谱、边际谱、包络谱作为样本,与其对应的故障类型作为标签,构建训练集;
根据所述训练集对双向GRU进行训练,直至趋于稳定且误差低于阈值,得到训练完成的双向GRU。
7.一种基于深度学习的压力传感器的故障诊断系统,其特征在于,包括:
获取模块,用于获取待测压力传感器的故障信号;
确定模块,用于对所述故障信号分别进行短时傅里叶变换和经验模态分解,得到所述故障信号的频率谱和边际谱;根据所述频率谱的谐波个数,以及所述经验模态分解过程中得到的多个模态函数的信息熵,确定变分模态分解的模态数;
分解模块,用于根据所述模态数对所述故障信号进行变分模态分解,得到所述故障信号的包络谱;
识别模块,用于将所述故障信号的频率谱、边际谱和包络谱输入到训练完成的故障识别模型中,得出待测压力传感器的故障分类以及故障原因。
8.根据权利要求7所述的基于深度学习的压力传感器的故障诊断系统,其特征在于,所述确定模块包括计算单元、候选单元、确定单元,
所述计算单元,用于计算经验模态分解过程中得到的多个模态函数的信息熵;
所述候选单元,用于将所述多个模态函数中的最大信息熵所在模态函数的序数和频率谱的谐波个数,作为候选模态数;
所述确定单元,用于对所述候选模态数中的最小值向上取整,将取整后的模态数确定为变分模态分解的模态数。
9.一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的基于深度学习的压力传感器的故障诊断方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于深度学习的压力传感器的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095360.0A CN113554000B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095360.0A CN113554000B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554000A true CN113554000A (zh) | 2021-10-26 |
CN113554000B CN113554000B (zh) | 2021-12-14 |
Family
ID=78134670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095360.0A Active CN113554000B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度学习的压力传感器的故障诊断方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554000B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5983162A (en) * | 1996-08-12 | 1999-11-09 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Computer implemented empirical mode decomposition method, apparatus and article of manufacture |
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN110657989A (zh) * | 2019-09-23 | 2020-01-07 | 红云红河烟草(集团)有限责任公司 | 一种烟草包装机组振动状态的监测方法及系统 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111222289A (zh) * | 2020-01-10 | 2020-06-02 | 燕山大学 | 基于数据-模型驱动的k-svd的滚动轴承冲击性故障诊断方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111830559A (zh) * | 2019-04-19 | 2020-10-27 | 中国石油天然气股份有限公司 | 一种地震资料拓频处理的方法及装置 |
CN112036087A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种多策略融合的核动力关键设备故障诊断方法及系统 |
CN113390631A (zh) * | 2021-06-15 | 2021-09-14 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
-
2021
- 2021-09-17 CN CN202111095360.0A patent/CN113554000B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5983162A (en) * | 1996-08-12 | 1999-11-09 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Computer implemented empirical mode decomposition method, apparatus and article of manufacture |
CN102183366A (zh) * | 2011-03-08 | 2011-09-14 | 上海大学 | 滚动轴承振动测量和故障分析装置及方法 |
CN103969067A (zh) * | 2014-04-01 | 2014-08-06 | 中北大学 | 一种基于广义形态学的自动装填系统故障诊断方法 |
CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111830559A (zh) * | 2019-04-19 | 2020-10-27 | 中国石油天然气股份有限公司 | 一种地震资料拓频处理的方法及装置 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN110657989A (zh) * | 2019-09-23 | 2020-01-07 | 红云红河烟草(集团)有限责任公司 | 一种烟草包装机组振动状态的监测方法及系统 |
CN111027260A (zh) * | 2019-12-24 | 2020-04-17 | 大连圣力来监测技术有限公司 | 一种基于神经网络的往复式压缩机故障诊断方法 |
CN111222289A (zh) * | 2020-01-10 | 2020-06-02 | 燕山大学 | 基于数据-模型驱动的k-svd的滚动轴承冲击性故障诊断方法 |
CN112036087A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种多策略融合的核动力关键设备故障诊断方法及系统 |
CN113390631A (zh) * | 2021-06-15 | 2021-09-14 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
GALAL A.HASSAAN: "Frequency spectrum filtering for machinery fault diagnostics", 《INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH》 * |
姚瑞琦: "基于信息熵的直升机自动倾斜器滚动轴承故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113554000B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140201630A1 (en) | Sound Decomposition Techniques and User Interfaces | |
CN114298443B (zh) | 基于健康状态指数的工业设备预测性维护方法、装置和电子设备 | |
CN105637331B (zh) | 异常检测装置、异常检测方法 | |
JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
CN115795282B (zh) | 激波管动态压力重构方法、装置、电子设备及存储介质 | |
US20160007130A1 (en) | Performance Metric Based Stopping Criteria for Iterative Algorithms | |
CN110772700B (zh) | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 | |
US20140358534A1 (en) | General Sound Decomposition Models | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN113723618A (zh) | 一种shap的优化方法、设备及介质 | |
JPWO2019220620A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
CN105335595A (zh) | 基于感受的多媒体处理 | |
Nilsson et al. | On the estimation of differential entropy from data located on embedded manifolds | |
US10726852B2 (en) | Methods and apparatus to perform windowed sliding transforms | |
JP2019066339A (ja) | 音による診断装置、診断方法、および診断システム | |
CN111291715A (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN113554000B (zh) | 一种基于深度学习的压力传感器的故障诊断方法与装置 | |
US20230360636A1 (en) | Quality estimation for automatic speech recognition | |
WO2021008145A1 (zh) | 图像段落描述生成方法、装置、介质及电子设备 | |
CN114897032A (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN113823312B (zh) | 语音增强模型生成方法和装置、语音增强方法和装置 | |
CN113516315B (zh) | 风力发电功率区间预测方法、设备及介质 | |
CN114399355B (zh) | 基于用户转化率的信息推送方法、装置和电子设备 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 |
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 |