CN114004263B - 一种特征融合转换的大型设备工况诊断预测方法 - Google Patents

一种特征融合转换的大型设备工况诊断预测方法 Download PDF

Info

Publication number
CN114004263B
CN114004263B CN202111650997.1A CN202111650997A CN114004263B CN 114004263 B CN114004263 B CN 114004263B CN 202111650997 A CN202111650997 A CN 202111650997A CN 114004263 B CN114004263 B CN 114004263B
Authority
CN
China
Prior art keywords
vibration acceleration
data set
follows
value
noise reduction
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
Application number
CN202111650997.1A
Other languages
English (en)
Other versions
CN114004263A (zh
Inventor
伍剑波
黄子恒
许钊源
邱巧
郑军
李晋航
石致远
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202111650997.1A priority Critical patent/CN114004263B/zh
Publication of CN114004263A publication Critical patent/CN114004263A/zh
Application granted granted Critical
Publication of CN114004263B publication Critical patent/CN114004263B/zh
Priority to US17/866,441 priority patent/US11630034B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F2218/04—Denoising
    • 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
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种特征融合转换的大型设备工况诊断预测方法，其包括采集设备各工况的振动信号，建立振动信号的原始振动加速度数据集；对原始振动加速度数据集进行降噪处理，并计算得到时域参数；基于降噪后的振动加速度进行EMD经验模态分解，并计算得到频域参数；通过时域参数和频域参数构建得到训练样本数据集；构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练；提取训练后的GBDT模型中的叶子节点编号集合；对叶子节点编号集合进行One‑hot编码处理，得到稀疏矩阵；将稀疏矩阵输入因子分解机中，得到预测结果。本发明能够降低噪声干扰，得到更高的故障分辨率。

Description

一种特征融合转换的大型设备工况诊断预测方法
技术领域
本发明涉及大型设备故障诊断与预测领域，具体涉及一种特征融合转换的大型设备工况诊断预测方法。
背景技术
大型复杂装备具有高维度、非线性、早期故障难以识别等特点。其中大型机械设备的工作环境复杂而且恶劣，在长期工作老化严重，故障频发。为保证生产工作的有序高效进行，最大化发挥大型设备的使用价值，需要行之有效的故障检测与诊断方法，因此对设备进行状态评估与故障预测有着广阔的应用场景。
从修复性维护到预测性维护，是当前大型设备维护策略的发展趋势，预测性维护的技术体系涵盖状态监测、故障诊断、状态预测、维修决策等4个方面，状态监测技术是利用温度、压力、振动、超声波等不同类型传感器获取设备的多种运行状态信息。其中，振动传感器广泛应用于判断机械设备的非平稳运动现象。通过温度、振动、超声波等多传感器数据之间的协同工作及功能互补，可实现更精确的状态监测。故障诊断涉及的方法包括时域信号诊断、频域信号诊断等。
针对大型设备状态监测产生的海量数据，传统的人工分类筛选数据的方式效率低、可视化程度低，且以风力发电机为代表的设备状态监测数据具有高维、多特征、噪声大等特点，需要找到一种合理的方法，在剔除非相关因素的同时，尽量减少原指标包含信息的损失，以达到对所收集数据进行全面分析的目的。基于数据驱动的诊断方法能减少对物理模型的依赖，通过对历史数据的特征自动挖掘，实现工况与故障的有效诊断与预测。
发明内容
针对现有技术中的上述不足，本发明提供的一种特征融合转换的大型设备工况诊断预测方法解决了现有技术中数据噪声大和故障分辨率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种特征融合转换的大型设备工况诊断预测方法，其包括以下步骤：
S1、采集设备各工况的振动信号，并建立振动信号的原始振动加速度数据集；
S2、对原始振动加速度数据集进行降噪处理，得到降噪后的振动加速度；
S3、基于降噪后的振动加速度，计算得到时域参数；
S4、基于降噪后的振动加速度进行EMD经验模态分解，得到分解后的分量；
S5、通过分解后的分量，计算得到频域参数；
S6、通过时域参数和频域参数构建得到训练样本数据集；
S7、构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练，得到训练后的GBDT模型；
S8、提取训练后的GBDT模型中的叶子节点编号集合；
S9、对叶子节点编号集合进行One-hot编码处理，得到稀疏矩阵；
S10、将稀疏矩阵输入因子分解机中，得到预测结果。
进一步地，步骤S2的具体方法为：
S2-1、根据公式：
Figure DEST_PATH_IMAGE002
去除原始振动加速度数据集中第h个原始振动加速度
Figure DEST_PATH_IMAGE004
中的直流分量，得到第h个去除直流分量的第一振动加速度
Figure DEST_PATH_IMAGE006
；其中
Figure DEST_PATH_IMAGE008
为第h个振动加速度的数据长度；
S2-2、根据公式：
Figure DEST_PATH_IMAGE010
Figure 100002_DEST_PATH_IMAGE012
去除第h个第一振动加速度的趋势项，得到第h个降噪后的振动加速度
Figure DEST_PATH_IMAGE014
；其中z为对参数进行取值后的拟合趋势线性函数，
Figure DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE018
为拟合趋势线性函数的参数，
Figure DEST_PATH_IMAGE020
为函数取最小值时对应的
Figure DEST_PATH_IMAGE016A
和
Figure DEST_PATH_IMAGE018A
的值，
Figure DEST_PATH_IMAGE022
表示取最小值，t为连续的时间；
步骤S2-2中得到的第h个降噪后的振动加速度
Figure DEST_PATH_IMAGE024
对应的采样时间
Figure DEST_PATH_IMAGE026
为：
Figure DEST_PATH_IMAGE028
其中e为振动加速度的原点时间，f为采样频率。
进一步地，步骤S3中的时域参数包括降噪后的振动加速度的有效值、峭度、方差和峰值因子。
进一步地，步骤S4的具体方法为：
S4-1、通过find_peaks函数寻找降噪后的振动加速度的全部极值点；find_peaks函数即寻找峰值函数；
S4-2、通过三次样条曲线将全部极值点中的极大值连成上包络线
Figure DEST_PATH_IMAGE030
，将全部极值点中的极小值连成下包络线
Figure DEST_PATH_IMAGE032
；其中，包络线公式为：
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE042
均为上包络线系数，
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE050
均为下包络线系数；
S4-3、基于振动加速度的全部极值点，利用插值算法确定上包络线系数和下包络线系数；
S4-4、根据公式：
Figure DEST_PATH_IMAGE052
得到
Figure DEST_PATH_IMAGE054
时刻待判断的分量
Figure DEST_PATH_IMAGE056
；其中
Figure DEST_PATH_IMAGE058
为
Figure DEST_PATH_IMAGE060
时刻上包络线和下包络线的平均值，
Figure DEST_PATH_IMAGE062
为第h个降噪后的振动加速度的时域表达式；
S4-5、判断
Figure DEST_PATH_IMAGE064
是否满足内涵模态分量的条件，若是则将其作为第h个降噪后的振动加速度信号的第一分量，并进入步骤S4-6；否则将其作为输入信号，返回步骤S4-1进行下一次计算，直到满足条件，并进入步骤S4-6；
S4-6、根据公式：
Figure DEST_PATH_IMAGE066
得到第一次分解后余下信号的总集
Figure DEST_PATH_IMAGE068
；
S4-7、基于第一次分解后余下信号的总集重复步骤S4-1到步骤S4-6计算得到第k个分量
Figure DEST_PATH_IMAGE070
。
进一步地，步骤S5的具体方法为：
S5-1、根据公式：
Figure DEST_PATH_IMAGE072
得到第k个分量能量值
Figure DEST_PATH_IMAGE074
；其中
Figure DEST_PATH_IMAGE076
为第k个分量
Figure DEST_PATH_IMAGE078
中数据离散点总个数，
Figure DEST_PATH_IMAGE080
为数据点时间间隔，即采样频率，
Figure DEST_PATH_IMAGE082
表示第k个分量
Figure DEST_PATH_IMAGE084
中数据离散点的序号；
S5-2、对所有分量能量值进行排序，选取分量能量值最大的X个分量，并进行快速傅里叶变换，得到X个初始频谱；
S5-3、提取X个初始频谱的最大幅值
Figure DEST_PATH_IMAGE086
；
S5-4、设置阈值，选取幅值高于阈值时对应的频率构建X个频率-幅值数据集；
S5-5、根据公式：
Figure DEST_PATH_IMAGE088
计算得到X个频率-幅值数据集中的平均幅值
Figure DEST_PATH_IMAGE090
；其中
Figure DEST_PATH_IMAGE092
为选取个数；
Figure DEST_PATH_IMAGE094
为第i 2 个频率对应的幅值；
S5-6、根据公式：
Figure DEST_PATH_IMAGE096
计算得到X个频率-幅值数据集中的均方根值
Figure DEST_PATH_IMAGE098
；其中π为180度角；
S5-7、选取X个频率-幅值数据集中的幅值最大处的频率
Figure DEST_PATH_IMAGE100
。
进一步地，步骤S6的具体方法为：
S6-1、将频域参数组合成频域特征实数集合
Figure DEST_PATH_IMAGE102
，并结合时域参数组成综合特征实数集合
Figure DEST_PATH_IMAGE104
；其中h为原始振动加速度数据集中的第h个数据，
Figure DEST_PATH_IMAGE106
为时域特征实数集合；
S6-2、对综合特征实数集合进行标记，得到训练样本数据集D：
Figure DEST_PATH_IMAGE108
其中q为训练样本总个数，即原始振动加速度数据集中的数据总个数，
Figure DEST_PATH_IMAGE110
为标记值，且
Figure DEST_PATH_IMAGE112
，
Figure DEST_PATH_IMAGE114
表示特征实数集合中的数据处于正常运行状态，
Figure DEST_PATH_IMAGE116
表示特征实数集合中的数据处于非正常运行工况状态。
进一步地，步骤S7中建立GBDT模型的具体方法为：
S7-1、根据公式：
Figure DEST_PATH_IMAGE118
初始化第一个弱学习器
Figure DEST_PATH_IMAGE120
；其中
Figure DEST_PATH_IMAGE122
为输入训练样本数据集D中第h个标记值
Figure DEST_PATH_IMAGE124
在综合特征实数集合的标记值中为0的概率，log为以10为底的对数函数；
S7-2、建立S棵树，利用对数似然函数计算第s棵树
Figure DEST_PATH_IMAGE126
的伪残差
Figure DEST_PATH_IMAGE128
；其中：
Figure DEST_PATH_IMAGE130
Figure DEST_PATH_IMAGE132
为输入训练样本数据集D中的第h个综合特征实数，e为自然对数；
S7-3、利用cart回归树拟合数据
Figure DEST_PATH_IMAGE134
，得到第s棵回归树
Figure DEST_PATH_IMAGE136
，即第s个弱学习器；
S7-4、根据公式：
Figure DEST_PATH_IMAGE138
计算得到回归树中各个叶子节点的最佳负梯度拟合值
Figure DEST_PATH_IMAGE140
；其中
Figure DEST_PATH_IMAGE142
为第s棵回归树的叶子节点区域，ks为第s棵回归树的第k个叶子节点；
S7-5、根据公式：
Figure DEST_PATH_IMAGE144
更新强学习器
Figure DEST_PATH_IMAGE146
；其中
Figure DEST_PATH_IMAGE148
为
Figure DEST_PATH_IMAGE150
落在叶子节点区域中的加权计数，
Figure DEST_PATH_IMAGE152
为第s棵回归树的叶子节点总数目；
S7-6、基于更新后的强学习器的输出
Figure DEST_PATH_IMAGE154
，根据公式：
Figure DEST_PATH_IMAGE156
得到最终强学习器
Figure DEST_PATH_IMAGE158
，即训练后的GBDT模型。
进一步地，步骤S8的具体方法为：
根据公式：
Figure DEST_PATH_IMAGE160
提取得到训练后的GBDT模型输出的叶子节点编号集合
Figure DEST_PATH_IMAGE162
，其大小为
Figure DEST_PATH_IMAGE164
；其中
Figure DEST_PATH_IMAGE166
为第q个训练样本经过训练后输出特征落在第
Figure DEST_PATH_IMAGE168
棵回归树上的叶子结点的编号，q为训练样本总个数，S为回归树总数。
进一步地，步骤S9的具体方法为：
S9-1、对T进行one-hot编码转换，将训练样本数据集中的每一个训练样本构成的树对应的回归树输出所在的叶子节点标记为1，其余节点标记为0，得到子矩阵；
S9-2、对每一个训练样本进行子矩阵转换，并组合成大小为
Figure DEST_PATH_IMAGE170
的稀疏矩阵；其中S为回归树总数，
Figure DEST_PATH_IMAGE172
为每一个训练样本构成的树对应第s棵回归树的叶子节点总数目，q为训练样本总个数。
进一步地，步骤S10的具体方法为：
S10-1、基于实对称正定矩阵的可分解性，分解计算稀疏矩阵的特征隐向量；
S10-2、根据公式：
Figure DEST_PATH_IMAGE174
得到线性模型和交叉项组合而成的二阶多项模型
Figure DEST_PATH_IMAGE176
；其中
Figure DEST_PATH_IMAGE178
为线性模型偏置项，
Figure DEST_PATH_IMAGE180
为稀疏矩阵中第u个特征的权重，
Figure DEST_PATH_IMAGE182
为稀疏矩阵的第u个特征，
Figure DEST_PATH_IMAGE184
为稀疏矩阵的第v个特征，
Figure DEST_PATH_IMAGE186
为将交叉项系数转化为隐向量内积，
Figure DEST_PATH_IMAGE188
为稀疏矩阵的第u个特征的特征隐向量，
Figure DEST_PATH_IMAGE190
为稀疏矩阵第u个特征的特征隐向量，
Figure DEST_PATH_IMAGE192
为第u个特征分解所得的第l个元素，
Figure DEST_PATH_IMAGE194
为第v个特征分解所得的第l个元素；
S10-3、根据因子分解机中的Hinge损失函数的反向传播进行模型优化，并得到预测结果。
本发明的有益效果为：
1、本发明采用时域特征与频域特征结合的方式，即能直观反映原始信号的物理特性，又能深入信号本质，将初始特征融合进行最大化利用得到可靠的信号数据；
2、本发明采用EMD对频域转换后的信号进行降噪分解，选取的频域特征参数能够有效表示出原始信号的特点，在保留住较多的原数据点的特性的同时进一步降低噪音干扰，并为下一步的算法处理做好准备；
3、本发明采用的梯度提升树GBDT与因子分解机相结合的诊断模型，用梯度提升树发现有效的特征，求得局部最优解，利用因子分解机超高纬度稀疏问题的优点，训练得到全局最优解，两者融合进行工况诊断，在无需人工选取特征情况下，得到较高故障分辨率。
附图说明
图1为本发明的流程图；
图2为GBDT+FM集成训练集A的ROC曲线；
图3为本发明EMD分解的第1分量；
图4为本发明EMD分解的第2分量；
图5为本发明EMD分解的第3分量；
图6为本发明EMD分解的第4分量；
图7为本发明EMD分解的第5分量；
图8为本发明EMD分解的第6分量；
图9为本发明EMD分解的第7分量；
图10为本发明EMD分解的第8分量；
图11为本发明EMD分解的剩余量。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该特征融合转换的大型设备工况诊断预测方法，包括以下步骤：
S1、采集设备各工况的振动信号，并建立振动信号的原始振动加速度数据集；
S2、对原始振动加速度数据集进行降噪处理，得到降噪后的振动加速度；
S3、基于降噪后的振动加速度，计算得到时域参数；
S4、基于降噪后的振动加速度进行EMD经验模态分解，得到分解后的分量；
S5、通过分解后的分量，计算得到频域参数；
S6、通过时域参数和频域参数构建得到训练样本数据集；
S7、构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练，得到训练后的GBDT模型；
S8、提取训练后的GBDT模型中的叶子节点编号集合；
S9、对叶子节点编号集合进行One-hot编码处理，得到稀疏矩阵；
S10、将稀疏矩阵输入因子分解机中，得到预测结果。
步骤S2的具体方法为：
S2-1、根据公式：
Figure DEST_PATH_IMAGE002A
去除原始振动加速度数据集中第h个原始振动加速度
Figure DEST_PATH_IMAGE004A
中的直流分量，得到第h个去除直流分量的第一振动加速度
Figure DEST_PATH_IMAGE006A
；其中
Figure DEST_PATH_IMAGE008A
为第h个振动加速度的数据长度；
S2-2、根据公式：
Figure DEST_PATH_IMAGE010A
Figure DEST_PATH_IMAGE012A
去除第h个第一振动加速度的趋势项，得到第h个降噪后的振动加速度
Figure DEST_PATH_IMAGE014A
；其中z为对参数进行取值后的拟合趋势线性函数，
Figure DEST_PATH_IMAGE016AA
和
Figure DEST_PATH_IMAGE018AA
为拟合趋势线性函数的参数，
Figure DEST_PATH_IMAGE020A
为函数取最小值时对应的
Figure DEST_PATH_IMAGE016AAA
和
Figure DEST_PATH_IMAGE018AAA
的值，
Figure DEST_PATH_IMAGE022A
表示取最小值，t为连续的时间；
步骤S2-2中得到的第h个降噪后的振动加速度
Figure DEST_PATH_IMAGE024A
对应的采样时间
Figure DEST_PATH_IMAGE026A
为：
Figure DEST_PATH_IMAGE028A
其中e为振动加速度的原点时间，f为采样频率。
步骤S3中的时域参数包括降噪后的振动加速度的有效值、峭度、方差和峰值因子。
步骤S4的具体方法为：
S4-1、通过find_peaks函数寻找降噪后的振动加速度的全部极值点；find_peaks函数即寻找峰值函数；
S4-2、通过三次样条曲线将全部极值点中的极大值
Figure DEST_PATH_IMAGE196
连成上包络线
Figure DEST_PATH_IMAGE030A
，将全部极值点中的极小值
Figure DEST_PATH_IMAGE198
连成下包络线
Figure DEST_PATH_IMAGE032A
；其中，包络线公式为：
Figure DEST_PATH_IMAGE034A
Figure DEST_PATH_IMAGE036A
、
Figure DEST_PATH_IMAGE038A
、
Figure DEST_PATH_IMAGE040A
和
Figure DEST_PATH_IMAGE042A
均为上包络线系数，
Figure DEST_PATH_IMAGE044A
、
Figure DEST_PATH_IMAGE046A
、
Figure DEST_PATH_IMAGE048A
和
Figure DEST_PATH_IMAGE050A
均为下包络线系数；
S4-3、基于振动加速度的全部极值点，利用插值算法确定上包络线系数和下包络线系数；
S4-4、根据公式：
Figure DEST_PATH_IMAGE052A
得到
Figure DEST_PATH_IMAGE054A
时刻待判断的分量
Figure DEST_PATH_IMAGE056A
；其中
Figure DEST_PATH_IMAGE058A
为
Figure DEST_PATH_IMAGE060A
时刻上包络线和下包络线的平均值，
Figure DEST_PATH_IMAGE062A
为第h个降噪后的振动加速度的时域表达式；
S4-5、判断
Figure DEST_PATH_IMAGE064A
是否满足内涵模态分量的条件，若是则将其作为第h个降噪后的振动加速度信号的第一分量，并进入步骤S4-6；否则将其作为输入信号，返回步骤S4-1进行下一次计算，直到满足条件，并进入步骤S4-6；
S4-6、根据公式：
Figure DEST_PATH_IMAGE066A
得到第一次分解后余下信号的总集
Figure DEST_PATH_IMAGE068A
；
S4-7、基于第一次分解后余下信号的总集重复步骤S4-1到步骤S4-6计算得到第k个分量
Figure DEST_PATH_IMAGE070A
。
步骤S5的具体方法为：
S5-1、根据公式：
Figure DEST_PATH_IMAGE072A
得到第k个分量能量值
Figure DEST_PATH_IMAGE074A
；其中
Figure DEST_PATH_IMAGE076A
为第k个分量
Figure DEST_PATH_IMAGE078A
中数据离散点总个数，
Figure DEST_PATH_IMAGE080A
为数据点时间间隔，即采样频率，
Figure DEST_PATH_IMAGE082A
表示第k个分量
Figure DEST_PATH_IMAGE084A
中数据离散点的序号；
S5-2、对所有分量能量值进行排序，选取分量能量值最大的X个分量，并进行快速傅里叶变换，得到X个初始频谱；
S5-3、提取X个初始频谱的最大幅值
Figure DEST_PATH_IMAGE086A
；
S5-4、设置阈值，选取幅值高于阈值时对应的频率构建X个频率-幅值数据集；
S5-5、根据公式：
Figure DEST_PATH_IMAGE088A
计算得到X个频率-幅值数据集中的平均幅值
Figure DEST_PATH_IMAGE090A
；其中
Figure DEST_PATH_IMAGE092A
为选取个数；
Figure DEST_PATH_IMAGE094A
为第i 2 个频率对应的幅值；
S5-6、根据公式：
Figure DEST_PATH_IMAGE096A
计算得到X个频率-幅值数据集中的均方根值
Figure DEST_PATH_IMAGE098A
；其中π为180度角；
S5-7、选取X个频率-幅值数据集中的幅值最大处的频率
Figure DEST_PATH_IMAGE100A
。
步骤S6的具体方法为：
S6-1、将频域参数组合成频域特征实数集合
Figure DEST_PATH_IMAGE102A
，并结合时域参数组成综合特征实数集合
Figure DEST_PATH_IMAGE104A
；其中h为原始振动加速度数据集中的第h个数据，
Figure DEST_PATH_IMAGE106A
为时域特征实数集合；
S6-2、对综合特征实数集合进行标记，得到训练样本数据集D：
Figure DEST_PATH_IMAGE108A
其中q为训练样本总个数，即原始振动加速度数据集中的数据总个数，
Figure DEST_PATH_IMAGE110A
为标记值，且
Figure DEST_PATH_IMAGE112A
，
Figure DEST_PATH_IMAGE114A
表示特征实数集合中的数据处于正常运行状态，
Figure DEST_PATH_IMAGE116A
表示特征实数集合中的数据处于非正常运行工况状态。
步骤S7中建立GBDT模型的具体方法为：
S7-1、根据公式：
Figure DEST_PATH_IMAGE118A
初始化第一个弱学习器
Figure DEST_PATH_IMAGE120A
；其中
Figure DEST_PATH_IMAGE122A
为输入训练样本数据集D中第h个标记值
Figure DEST_PATH_IMAGE124A
在综合特征实数集合的标记值中为0的概率，log为以10为底的对数函数；
S7-2、建立S棵树，利用对数似然函数计算第s棵树
Figure DEST_PATH_IMAGE126A
的伪残差
Figure DEST_PATH_IMAGE128A
；其中：
Figure DEST_PATH_IMAGE130A
Figure DEST_PATH_IMAGE132A
为输入训练样本数据集D中的第h个综合特征实数，e为自然对数；
S7-3、利用cart回归树拟合数据
Figure DEST_PATH_IMAGE134A
，得到第s棵回归树
Figure DEST_PATH_IMAGE136A
，即第s个弱学习器；
S7-4、根据公式：
Figure DEST_PATH_IMAGE138A
计算得到回归树中各个叶子节点的最佳负梯度拟合值
Figure DEST_PATH_IMAGE140A
；其中
Figure DEST_PATH_IMAGE142A
为第s棵回归树的叶子节点区域，ks为第s棵回归树的第k个叶子节点；
S7-5、根据公式：
Figure DEST_PATH_IMAGE144A
更新强学习器
Figure DEST_PATH_IMAGE146A
；其中
Figure DEST_PATH_IMAGE148A
为
Figure DEST_PATH_IMAGE150A
落在叶子节点区域中的加权计数，
Figure DEST_PATH_IMAGE152A
为第s棵回归树的叶子节点总数目；
S7-6、基于更新后的强学习器的输出
Figure DEST_PATH_IMAGE154A
，根据公式：
Figure DEST_PATH_IMAGE156A
得到最终强学习器
Figure DEST_PATH_IMAGE158A
，即训练后的GBDT模型。
步骤S8的具体方法为：
根据公式：
Figure DEST_PATH_IMAGE160A
提取得到训练后的GBDT模型输出的叶子节点编号集合
Figure DEST_PATH_IMAGE200
，其大小为
Figure DEST_PATH_IMAGE164A
；其中
Figure DEST_PATH_IMAGE166A
为第q个训练样本经过训练后输出特征落在第
Figure DEST_PATH_IMAGE168A
棵回归树上的叶子结点的编号，q为训练样本总个数，S为回归树总数。
步骤S9的具体方法为：
S9-1、对T进行one-hot编码转换，将训练样本数据集中的每一个训练样本构成的树对应的回归树输出所在的叶子节点标记为1，其余节点标记为0，得到子矩阵；
S9-2、对每一个训练样本进行子矩阵转换，并组合成大小为
Figure DEST_PATH_IMAGE170A
的稀疏矩阵；其中S为回归树总数，
Figure DEST_PATH_IMAGE172A
为每一个训练样本构成的树对应第s棵回归树的叶子节点总数目，q为训练样本总个数。
步骤S10的具体方法为：
S10-1、基于实对称正定矩阵的可分解性，分解计算稀疏矩阵的特征隐向量；
S10-2、根据公式：
Figure DEST_PATH_IMAGE174A
得到线性模型和交叉项组合而成的二阶多项模型
Figure DEST_PATH_IMAGE176A
；其中
Figure DEST_PATH_IMAGE178A
为线性模型偏置项，
Figure DEST_PATH_IMAGE180A
为稀疏矩阵中第u个特征的权重，
Figure DEST_PATH_IMAGE182A
为稀疏矩阵的第u个特征，
Figure DEST_PATH_IMAGE184A
为稀疏矩阵的第v个特征，
Figure DEST_PATH_IMAGE186A
为将交叉项系数转化为隐向量内积，
Figure DEST_PATH_IMAGE188A
为稀疏矩阵的第u个特征的特征隐向量，
Figure DEST_PATH_IMAGE190A
为稀疏矩阵第u个特征的特征隐向量，
Figure DEST_PATH_IMAGE192A
为第u个特征分解所得的第l个元素，
Figure DEST_PATH_IMAGE194A
为第v个特征分解所得的第l个元素；
S10-3、根据因子分解机中的Hinge损失函数的反向传播进行模型优化，并得到预测结果。
步骤S4-7中第k次分解后余下信号的总集
Figure DEST_PATH_IMAGE202
：
Figure DEST_PATH_IMAGE204
其中
Figure DEST_PATH_IMAGE206
为第k个分量，
Figure DEST_PATH_IMAGE208
为第k-1次分解后余下信号的总集。
步骤S7-5的加权计数
Figure DEST_PATH_IMAGE210
的取值为：
Figure DEST_PATH_IMAGE212
。
在本发明的一个实施例中，将低通滤波器的高频截止频率设置为40Hz，对原始振动加速度数据集进行低通滤波，并去除直流分量；步骤S5-4的阈值设置为最大幅值的0.2倍；将综合特征实数集合划分为训练集和测试集7:3的比例进行模型训练，并将训练集划分为1:1的GBDT模型训练集B和GBDT+FM集成训练集A，学习率为0.01，子树深度为3，最大弱学习器个数为40；GBDT模型训练集B用于步骤S7进行训练，GBDT+FM集成训练集A用于步骤S8及之后搭建数据模型；步骤S10-3的因子分解机的迭代次数为300，双变量参数维度为50；其中FM即因子分解机。
如图2所示，为用于步骤S10的GBDT+FM集成训练集A的ROC曲线；其中TPR为正确识别的正例数据占据总的正例数据的比例，FPR为将负例数据预测为正例的比例；对模型输入测试集进行测试预测，并对结果进行分析，AUC（ROC曲线下方的面积大小）值为0.93，可见本发明有较高预测准确率。
如图3、图4、图5、图6、图7、图8、图9、图10，以及图11所示，为步骤S4分解所得分量图，其中time series为时间序列，IMF1到IMF8为频率由高到低排列的分解所得的分量，Res为分解所得剩余的信号。
本发明采用时域特征与频域特征结合的方式，即能直观反映原始信号的物理特性，又能深入信号本质，将初始特征融合进行最大化利用得到可靠的信号数据；
本发明采用EMD对频域转换后的信号进行降噪分解，选取的频域特征参数能够有效表示出原始信号的特点，在保留住较多的原数据点的特性的同时进一步降低噪音干扰，并为下一步的算法处理做好准备；
本发明采用的梯度提升树GBDT与因子分解机相结合的诊断模型，用梯度提升树发现有效的特征，求得局部最优解，利用因子分解机超高纬度稀疏问题的优点，训练得到全局最优解，两者融合进行工况诊断，在无需人工选取特征情况下，得到较高故障分辨率。

Claims (6)

1.一种特征融合转换的大型设备工况诊断预测方法，其特征在于，包括以下步骤：
S1、采集设备各工况的振动信号，并建立振动信号的原始振动加速度数据集；
S2、对原始振动加速度数据集进行降噪处理，得到降噪后的振动加速度；
S3、基于降噪后的振动加速度，计算得到时域参数；
S4、基于降噪后的振动加速度进行EMD经验模态分解，得到分解后的分量；
S5、通过分解后的分量，计算得到频域参数；
S6、通过时域参数和频域参数构建得到训练样本数据集；
S7、构建GBDT模型，并将训练样本数据集输入GBDT模型进行训练，得到训练后的GBDT模型；
S8、提取训练后的GBDT模型中的叶子节点编号集合；
S9、对叶子节点编号集合进行One-hot编码处理，得到稀疏矩阵；
S10、将稀疏矩阵输入因子分解机中，得到预测结果；
步骤S2的具体方法为：
S2-1、根据公式：
Figure 180687DEST_PATH_IMAGE001
去除原始振动加速度数据集中第h个原始振动加速度
Figure 731754DEST_PATH_IMAGE002
中的直流分量，得到第h个去除直流分量的第一振动加速度
Figure 875291DEST_PATH_IMAGE003
；其中n为第h个振动加速度的数据长度；
S2-2、根据公式：
Figure 70780DEST_PATH_IMAGE004
Figure 31783DEST_PATH_IMAGE005
去除第h个第一振动加速度的趋势项，得到第h个降噪后的振动加速度
Figure 945512DEST_PATH_IMAGE006
；其中z为对参数进行取值后的拟合趋势线性函数，
Figure 751794DEST_PATH_IMAGE007
和
Figure 67369DEST_PATH_IMAGE008
为拟合趋势线性函数的参数，
Figure 12322DEST_PATH_IMAGE009
为函数取最小值时对应的
Figure 272402DEST_PATH_IMAGE007
和
Figure 20391DEST_PATH_IMAGE008
的值，
Figure 924893DEST_PATH_IMAGE010
表示取最小值，t为连续的时间；
步骤S2-2中得到的第h个降噪后的振动加速度
Figure 493277DEST_PATH_IMAGE011
对应的采样时间
Figure DEST_PATH_IMAGE012
为：
Figure 522544DEST_PATH_IMAGE013
其中e为振动加速度的原点时间，f为采样频率；
步骤S3中的时域参数包括降噪后的振动加速度的有效值、峭度、方差和峰值因子；
步骤S5的具体方法为：
S5-1、根据公式：
Figure 201787DEST_PATH_IMAGE014
得到第k个分量能量值
Figure 960796DEST_PATH_IMAGE015
；其中
Figure 434503DEST_PATH_IMAGE016
为降噪后的振动加速度进行EMD经验模态分解后第k个分量
Figure 544541DEST_PATH_IMAGE017
中数据离散点总个数，
Figure 371683DEST_PATH_IMAGE018
为数据点时间间隔，即采样频率，
Figure 640990DEST_PATH_IMAGE019
表示降噪后的振动加速度进行EMD经验模态分解后第k个分量
Figure 160964DEST_PATH_IMAGE020
中数据离散点的序号；
S5-2、对所有分量能量值进行排序，选取分量能量值最大的X个分量，并进行快速傅里叶变换，得到X个初始频谱；
S5-3、提取X个初始频谱的最大幅值
Figure 772947DEST_PATH_IMAGE021
；
S5-4、设置阈值，选取幅值高于阈值时对应的频率构建X个频率-幅值数据集；
S5-5、根据公式：
Figure 528414DEST_PATH_IMAGE022
计算得到X个频率-幅值数据集中的平均幅值
Figure 262015DEST_PATH_IMAGE023
；其中
Figure 77524DEST_PATH_IMAGE024
为选取个数；
Figure 162154DEST_PATH_IMAGE025
为第i 2 个频率对应的幅值；
S5-6、根据公式：
Figure 596678DEST_PATH_IMAGE026
计算得到X个频率-幅值数据集中的均方根值
Figure 574998DEST_PATH_IMAGE027
；其中π为180度角；
S5-7、选取X个频率-幅值数据集中的幅值最大处的频率
Figure 171196DEST_PATH_IMAGE028
；
步骤S7中建立GBDT模型的具体方法为：
S7-1、根据公式：
Figure 602177DEST_PATH_IMAGE029
初始化第一个弱学习器
Figure 840392DEST_PATH_IMAGE030
；其中
Figure 548585DEST_PATH_IMAGE031
为输入训练样本数据集D中第h个标记值
Figure 705896DEST_PATH_IMAGE032
在综合特征实数集合的标记值中为0的概率，log为以10为底的对数函数；
S7-2、建立S棵树，利用对数似然函数计算第s棵树
Figure 499540DEST_PATH_IMAGE033
的伪残差
Figure 538516DEST_PATH_IMAGE034
；其中：
Figure 960270DEST_PATH_IMAGE035
Figure 429428DEST_PATH_IMAGE036
为输入训练样本数据集D中的第h个综合特征实数，e为自然对数；
S7-3、利用cart回归树拟合数据
Figure 569423DEST_PATH_IMAGE037
，得到第s棵回归树
Figure 415019DEST_PATH_IMAGE038
，即第s个弱学习器；
S7-4、根据公式：
Figure 832225DEST_PATH_IMAGE039
计算得到回归树中各个叶子节点的最佳负梯度拟合值
Figure 596919DEST_PATH_IMAGE040
；其中
Figure 99575DEST_PATH_IMAGE041
为第s棵回归树的叶子节点区域，ks为第s棵回归树的第k个叶子节点；
S7-5、根据公式：
Figure 483283DEST_PATH_IMAGE042
更新强学习器
Figure 145209DEST_PATH_IMAGE043
；其中
Figure 690591DEST_PATH_IMAGE044
为
Figure 805177DEST_PATH_IMAGE045
落在叶子节点区域中的加权计数，
Figure 726997DEST_PATH_IMAGE046
为第s棵回归树的叶子节点总数目；
S7-6、基于更新后的强学习器的输出
Figure 121725DEST_PATH_IMAGE047
，根据公式：
Figure 228221DEST_PATH_IMAGE048
得到最终强学习器
Figure 705470DEST_PATH_IMAGE049
，即训练后的GBDT模型。
2.根据权利要求1所述的特征融合转换的大型设备工况诊断预测方法，其特征在于，步骤S4的具体方法为：
S4-1、通过find_peaks函数寻找降噪后的振动加速度的全部极值点；find_peaks函数即寻找峰值函数；
S4-2、通过三次样条曲线将全部极值点中的极大值
Figure 290035DEST_PATH_IMAGE050
连成上包络线
Figure 801919DEST_PATH_IMAGE051
，将全部极值点中的极小值
Figure 892366DEST_PATH_IMAGE052
连成下包络线
Figure 715965DEST_PATH_IMAGE053
；其中，包络线公式为：
Figure 245167DEST_PATH_IMAGE054
Figure 611557DEST_PATH_IMAGE055
、
Figure 794277DEST_PATH_IMAGE056
、
Figure 511697DEST_PATH_IMAGE057
和
Figure 310501DEST_PATH_IMAGE058
均为上包络线系数，
Figure 656032DEST_PATH_IMAGE059
、
Figure 150598DEST_PATH_IMAGE060
、
Figure 89736DEST_PATH_IMAGE061
和
Figure 819794DEST_PATH_IMAGE062
均为下包络线系数；
S4-3、基于振动加速度的全部极值点，利用插值算法确定上包络线系数和下包络线系数；
S4-4、根据公式：
Figure 895198DEST_PATH_IMAGE063
得到
Figure 685299DEST_PATH_IMAGE064
时刻待判断的分量
Figure 846153DEST_PATH_IMAGE065
；其中
Figure 255269DEST_PATH_IMAGE066
为
Figure 575392DEST_PATH_IMAGE067
时刻上包络线和下包络线的平均值，
Figure 411761DEST_PATH_IMAGE068
为第h个降噪后的振动加速度的时域表达式；
S4-5、判断
Figure 918965DEST_PATH_IMAGE069
是否满足内涵模态分量的条件，若是则将其作为第h个降噪后的振动加速度信号的第一分量，并进入步骤S4-6；否则将其作为输入信号，返回步骤S4-1进行下一次计算，直到满足条件，并进入步骤S4-6；
S4-6、根据公式：
Figure 131772DEST_PATH_IMAGE070
得到第一次分解后余下信号的总集
Figure 969716DEST_PATH_IMAGE071
；
S4-7、基于第一次分解后余下信号的总集重复步骤S4-1到步骤S4-6计算得到第k个分量
Figure 976987DEST_PATH_IMAGE072
。
3.根据权利要求1所述的特征融合转换的大型设备工况诊断预测方法，其特征在于，步骤S6的具体方法为：
S6-1、将频域参数组合成频域特征实数集合
Figure 643591DEST_PATH_IMAGE073
，并结合时域参数组成综合特征实数集合
Figure 128930DEST_PATH_IMAGE074
；其中h为原始振动加速度数据集中的第h个数据，
Figure 423645DEST_PATH_IMAGE075
为时域特征实数集合；
S6-2、对综合特征实数集合进行标记，得到训练样本数据集D：
Figure 601817DEST_PATH_IMAGE076
其中q为训练样本总个数，即原始振动加速度数据集中的数据总个数，
Figure 224559DEST_PATH_IMAGE077
为标记值，且
Figure 903802DEST_PATH_IMAGE078
，
Figure 662811DEST_PATH_IMAGE079
表示特征实数集合中的数据处于正常运行状态，
Figure 277463DEST_PATH_IMAGE080
表示特征实数集合中的数据处于非正常运行工况状态。
4.根据权利要求1所述的特征融合转换的大型设备工况诊断预测方法，其特征在于，步骤S8的具体方法为：
根据公式：
Figure 246556DEST_PATH_IMAGE081
提取得到训练后的GBDT模型输出的叶子节点编号集合
Figure DEST_PATH_IMAGE083
，其大小为
Figure 867506DEST_PATH_IMAGE084
；其中
Figure 746600DEST_PATH_IMAGE085
为第q个训练样本经过训练后输出特征落在第s棵回归树上的叶子结点的编号，q为训练样本总个数，S为回归树总数。
5.根据权利要求4所述的特征融合转换的大型设备工况诊断预测方法，其特征在于，步骤S9的具体方法为：
S9-1、对T进行one-hot编码转换，将训练样本数据集中的每一个训练样本构成的树对应的回归树输出所在的叶子节点标记为1，其余节点标记为0，得到子矩阵；
S9-2、对每一个训练样本进行子矩阵转换，并组合成大小为
Figure 266574DEST_PATH_IMAGE086
的稀疏矩阵；其中S为回归树总数，
Figure 722963DEST_PATH_IMAGE087
为每一个训练样本构成的树对应第s棵回归树的叶子节点总数目，q为训练样本总个数。
6.根据权利要求5所述的特征融合转换的大型设备工况诊断预测方法，其特征在于，步骤S10的具体方法为：
S10-1、基于实对称正定矩阵的可分解性，分解计算稀疏矩阵的特征隐向量；
S10-2、根据公式：
Figure 619375DEST_PATH_IMAGE088
得到线性模型和交叉项组合而成的二阶多项模型
Figure 477610DEST_PATH_IMAGE089
；其中
Figure 434065DEST_PATH_IMAGE090
为线性模型偏置项，
Figure 784274DEST_PATH_IMAGE091
为稀疏矩阵中第u个特征的权重，
Figure 218798DEST_PATH_IMAGE092
为稀疏矩阵的第u个特征，
Figure 72484DEST_PATH_IMAGE093
为稀疏矩阵的第v个特征，
Figure 324474DEST_PATH_IMAGE094
为将交叉项系数转化为隐向量内积，
Figure 899331DEST_PATH_IMAGE095
为稀疏矩阵的第u个特征的特征隐向量，
Figure 871966DEST_PATH_IMAGE096
为稀疏矩阵第u个特征的特征隐向量，
Figure 439213DEST_PATH_IMAGE097
为第u个特征分解所得的第l个元素，
Figure 737471DEST_PATH_IMAGE098
为第v个特征分解所得的第l个元素；
S10-3、根据因子分解机中的Hinge损失函数的反向传播进行模型优化，并得到预测结果。
CN202111650997.1A 2021-12-29 2021-12-29 一种特征融合转换的大型设备工况诊断预测方法 Active CN114004263B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111650997.1A CN114004263B (zh) 2021-12-29 2021-12-29 一种特征融合转换的大型设备工况诊断预测方法
US17/866,441 US11630034B2 (en) 2021-12-29 2022-07-15 Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111650997.1A CN114004263B (zh) 2021-12-29 2021-12-29 一种特征融合转换的大型设备工况诊断预测方法

Publications (2)

Publication Number Publication Date
CN114004263A CN114004263A (zh) 2022-02-01
CN114004263B true CN114004263B (zh) 2022-05-03

Family

ID=79932314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111650997.1A Active CN114004263B (zh) 2021-12-29 2021-12-29 一种特征融合转换的大型设备工况诊断预测方法

Country Status (2)

Country Link
US (1) US11630034B2 (zh)
CN (1) CN114004263B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291021B (zh) * 2022-08-16 2023-04-21 山东和兑智能科技有限公司 高压套管状态的高精度参数分析方法与系统
CN115841082B (zh) * 2023-02-22 2023-07-25 天津佰焰科技股份有限公司 一种加气站异常诊断系统及方法
CN116070151B (zh) * 2023-03-17 2023-06-20 国网安徽省电力有限公司超高压分公司 基于广义回归神经网络特高压直流输电线路故障检测方法
CN116910452B (zh) * 2023-07-21 2024-04-26 郑州铁路职业技术学院 基于大数据的有害垃圾无菌化处理风险预测评估方法
CN117371561A (zh) * 2023-10-08 2024-01-09 杭州亚太化工设备有限公司 基于机器学习的工业生产人工智能系统
CN117150223B (zh) * 2023-10-30 2024-02-02 中国海洋大学 基于auv多尺度定频分解的交叉谱湍流去噪方法及系统
CN117289066B (zh) * 2023-11-22 2024-02-13 南通至正电子有限公司 一种电压稳定性监测方法及系统
CN117469604B (zh) * 2023-12-25 2024-03-26 奥德集团有限公司 一种用于城市输配送管网的风险监测控制系统
CN117494476B (zh) * 2023-12-29 2024-04-16 烟台哈尔滨工程大学研究院 一种提高风机塔筒气动载荷识别稳定性的测点优化方法
CN117807443B (zh) * 2024-02-29 2024-05-14 江苏海平面数据科技有限公司 拖拉机工况识别模型的训练方法及拖拉机工况识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108413921A (zh) * 2018-04-09 2018-08-17 西安工程大学 一种输电线路铁塔塔材变形在线监测系统及监测方法
CN111242171A (zh) * 2019-12-31 2020-06-05 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
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

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221066B (zh) * 2008-01-25 2010-06-02 太原理工大学 工程非线性振动检测方法
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
CN102279084B (zh) * 2011-05-03 2013-08-07 西安工程大学 基于微惯性测量组合的输电导线舞动定位方法
CN105509771B (zh) * 2015-12-08 2018-12-21 中国航空工业集团公司北京长城航空测控技术研究所 一种发动机滑油金属颗粒在线监测的信号降噪方法
US10366451B2 (en) * 2016-01-27 2019-07-30 Huawei Technologies Co., Ltd. System and method for prediction using synthetic features and gradient boosted decision tree
CN105891707A (zh) * 2016-05-05 2016-08-24 河北工业大学 一种基于振动信号的万能式断路器分合闸故障诊断方法
US10311368B2 (en) * 2017-09-12 2019-06-04 Sas Institute Inc. Analytic system for graphical interpretability of and improvement of machine learning models
US11188065B2 (en) * 2017-09-23 2021-11-30 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN108168682A (zh) * 2017-12-22 2018-06-15 中国南方电网有限责任公司超高压输电公司曲靖局 一种基于振动信号支持向量机的gil故障在线监测系统
CN108734192B (zh) * 2018-01-31 2021-10-15 国家电网公司 一种基于投票机制的支持向量机机械故障诊断方法
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
CN109299976B (zh) * 2018-09-07 2021-03-23 深圳大学 点击率预测方法、电子装置及计算机可读存储介质
CN109187025B (zh) * 2018-09-19 2020-04-07 哈尔滨理工大学 一种集成kelm的滚动轴承剩余使用寿命预测方法
CN109489800A (zh) * 2018-12-14 2019-03-19 广东世港信息科技有限公司 一种分布式光缆振动安全预警系统中的扰动事件识别方法
CN110175508B (zh) * 2019-04-09 2021-05-07 杭州电子科技大学 一种应用于超声波局放检测的特征值提取方法
CN110426191B (zh) * 2019-08-14 2020-06-30 四川大学 一种抗干扰旋转机械的故障诊断方法
CN110543860B (zh) * 2019-09-05 2022-06-07 燕山大学 基于tjm迁移学习的机械故障诊断方法及系统
CN111626153B (zh) * 2020-05-13 2022-10-18 电子科技大学 一种基于集成学习的局放故障状态识别方法
CN112304613B (zh) * 2020-10-30 2023-01-10 浙江运达风电股份有限公司 一种基于特征融合的风电机组发电机轴承预警方法
CN113138011A (zh) * 2021-03-17 2021-07-20 江苏中科君达物联网股份有限公司 一种新型振动噪声测试方法
CN113343078B (zh) * 2021-05-11 2022-07-15 浙江工业大学 基于主题模型聚类的Web API推荐方法
CN113723496A (zh) * 2021-08-26 2021-11-30 国网陕西省电力公司电力科学研究院 一种电抗器铁心松动故障诊断方法、装置和设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108413921A (zh) * 2018-04-09 2018-08-17 西安工程大学 一种输电线路铁塔塔材变形在线监测系统及监测方法
CN111242171A (zh) * 2019-12-31 2020-06-05 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
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 (1)

* Cited by examiner, † Cited by third party
Title
基于经验模态分解和主成分分析的滚动轴承故障诊断研究;汪朝海等;《计量学报》;20191130;第40卷(第6期);第1079-1080页第3节 *

Also Published As

Publication number Publication date
CN114004263A (zh) 2022-02-01
US11630034B2 (en) 2023-04-18
US20220373432A1 (en) 2022-11-24

Similar Documents

Publication Publication Date Title
CN114004263B (zh) 一种特征融合转换的大型设备工况诊断预测方法
CN110502991B (zh) 基于随机卷积神经网络结构的内燃机健康监测方法及系统
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN108805059B (zh) 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN114755745B (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN111695413A (zh) 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置
CN109884697A (zh) 基于完备总体经验模态分解的砂砾岩沉积相地震预测方法
CN113687433A (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
CN115034271A (zh) 一种自动提取特征的压力容器气体泄漏声学识别方法
CN115655455A (zh) 一种基于自适应噪声变换和随机共振的机械故障诊断方法
CN114707558A (zh) 冰崩次声特征提取及分类识别方法和介质
Liu et al. An improved empirical mode decomposition method for vibration signal
CN111365624A (zh) 一种输卤管道泄漏检测的智能终端与方法
CN113361782B (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN117251674A (zh) 一种地震相分类方法、装置、电子设备及介质
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
CN114065822B (zh) 海洋潮流涨落的电磁识别方法及系统
Dai et al. Application of wavelet denoising and time-frequency domain feature extraction on data processing of modulated signals
Ancona-Navarrete et al. Diagnostics for pairwise extremal dependence in spatial processes
CN113598784A (zh) 心律失常检测方法及系统
CN113433514A (zh) 基于展开式深度网络的参数自学习干扰抑制方法
CN114034375B (zh) 一种特高压输电线路噪声测量系统及方法
CN111461461B (zh) 一种水利工程异常检测方法及系统
CN117709488B (zh) 基于RUN-XGBoost的大坝渗流预测方法

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