CN114742182A - 一种智能装备输出数据信息处理方法及运行评估方法 - Google Patents

一种智能装备输出数据信息处理方法及运行评估方法 Download PDF

Info

Publication number
CN114742182A
CN114742182A CN202210671535.6A CN202210671535A CN114742182A CN 114742182 A CN114742182 A CN 114742182A CN 202210671535 A CN202210671535 A CN 202210671535A CN 114742182 A CN114742182 A CN 114742182A
Authority
CN
China
Prior art keywords
data
intelligent equipment
data information
output
information
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
CN202210671535.6A
Other languages
English (en)
Inventor
余俊坚
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.)
Shenzhen Mingluofeng Technology Co ltd
Original Assignee
Shenzhen Mingluofeng Technology 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 Shenzhen Mingluofeng Technology Co ltd filed Critical Shenzhen Mingluofeng Technology Co ltd
Priority to CN202210671535.6A priority Critical patent/CN114742182A/zh
Publication of CN114742182A publication Critical patent/CN114742182A/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
    • G06F15/7807—System on chip, i.e. computer system on a single chip; System in package, i.e. computer system on one or more chips in a single package
    • G06F15/7817—Specially adapted for signal processing, e.g. Harvard architectures
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种智能装备输出数据信息处理方法，涉及数据处理能力，解决的技术问题是智能装备数据信息的处理与评估，采用的方法是通过数据采集模块获取智能装备输出数据信息，通过分类器将智能装备输出数据信息进行分类；所述分类器设置有张量自编码器；通过张量自编码器实现智能装备数据信息维度转换，大大提高了数据数理能力。然后通过改进型CNN算法模型实现智能装备输出数据信息故障处理，改进型CNN算法模型中融合变化模态分解VMD算法对不断变化的智能装备信号数据进行迭代变换，实现融合数据的分解，进而输出智能装备故障数据信息，本发明大大提高了智能装备数据处理和评估能力。

Description

一种智能装备输出数据信息处理方法及运行评估方法
技术领域
本发明涉及数据处理技术领域，且更确切地涉及一种智能装备输出数据信息处理方法及运行评估方法。
背景技术
智能制造是以智能技术为代表的技术为指导的先进制造，包括智能化、网络化、数字化和自动化为特征的先进制造技术的应用，涉及制造过程中的设计、工艺、装备（结构设计和优化、控制、软件、集成）和管理。智能制造核心是制造，本质是先进制造，基础是数字化，趋势是（人工）智能，灵魂和难点是工艺，载体（外在表现形式）是智能装备。智能装备在结构组成上，一般智能装备大概由感知系统、决策系统、运动控制系统和执行系统组成。智能装备在数据感知时，通过视觉传感器（如摄像头）、距离传感器（如激光测距仪）、射频识别RFID传感器、声音传感器、触觉传感器等等能够获取大量的数据信息，这些数据信息能够反映出智能装备在运行过程中的数据状态，在机械执行系统、运动控制系统以及在工艺、执行、传感、控制、集成各方面，都将产生大量的数据信息，如何对这些数据信息进行处理和评估是反映智能装备运行状态的关键。
现有技术大多采用视频或者数据监控的方式实现智能装备数据信息监控，这种方法虽然也能够实现智能装备运行状态监控，但效率低下，在智能装备存在面积较大时，无法实现数据信息的全过程监控。
发明内容
针对上述技术的不足，本发明公开一种智能装备输出数据信息据处理方法及运行评估方法，通过数据处理的方法提高了智能装备数据信息的输出，大大提高了数据信息处理能力和分析能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种智能装备输出数据信息处理方法，其中包括：
通过CPU和可控升压DC/DC转换器构成的数据采集模块获取智能装备输出数据信息，通过分类器将智能装备输出数据信息进行分类；所述分类器设置有张量自编码器；通过张量自编码器实现智能装备数据信息维度转换，转换函数为：
Figure 284696DEST_PATH_IMAGE001
（1）
公式（1）中，其中θ表示智能装备数据信息转向一维向量的度数，其中
Figure 133703DEST_PATH_IMAGE002
表示为 数据转换的目标函数，其中I和f分别表示张量自编码器在实现数据信息转换的信息变量；
Figure 789943DEST_PATH_IMAGE003
为一级数据降维信息函数，
Figure 306375DEST_PATH_IMAGE004
为二级数据降维信息函数，
Figure 773391DEST_PATH_IMAGE005
为 三级数据降维信息函数，
Figure 47377DEST_PATH_IMAGE006
表示智能装备输出数据信息种类，
Figure 631943DEST_PATH_IMAGE007
表示智能装备输出数据信 息集合；
然后通过改进型CNN算法模型实现智能装备输出数据信息故障处理，改进型CNN算法模型中融合变化模态分解VMD算法对不断变化的智能装备信号数据进行迭代变换，实现融合数据的分解，进而输出智能装备故障数据信息。
作为本发明进一步的技术方案，改进型CNN算法模型工作方法为：
将CNN算法模型划分为输入层、隐藏层和输出层，其中隐藏层设置3个层次，在隐藏层中进行智能装备数据信息样本训练，通过变化模态分解VMD算法对接收到的数据信息进行融合处理，变化模态分解VMD算法实现原始数据与模态数据的融合，融合函数为：
Figure 127515DEST_PATH_IMAGE008
(2)
公式(2)中，
Figure 139333DEST_PATH_IMAGE009
表示智能装备中模态数据解析函数，
Figure 572720DEST_PATH_IMAGE010
表示融合过程中产生的 冲击变量，
Figure 960976DEST_PATH_IMAGE011
表示解析误差率，
Figure 809590DEST_PATH_IMAGE012
表示解析融合时间，
Figure 992309DEST_PATH_IMAGE013
表示智能装备运行电压参数，
Figure 240888DEST_PATH_IMAGE014
表示智能装备不同运行状态下的分析频率；
融合后的数据信息在CNN算法模型的隐藏层进行数据计算，单个隐藏节点激活概率函数为：
Figure 291889DEST_PATH_IMAGE015
（3）
公式（3）中，
Figure 371841DEST_PATH_IMAGE016
表示
Figure 600828DEST_PATH_IMAGE017
函数，
Figure 399020DEST_PATH_IMAGE018
表示偏置，
Figure 489598DEST_PATH_IMAGE019
表示连接权重，
Figure 689635DEST_PATH_IMAGE020
表示输 入量，
Figure 151840DEST_PATH_IMAGE021
表示输出量，
Figure 296383DEST_PATH_IMAGE022
表示智能装备输出数据样本编号，j表示隐含层个数。
作为本发明进一步的技术方案，获取智能装备输出数据信息时，通过DSP处理单元和FPGA处理单元实现智能设备数据信息的采集，数据采集方法为：
将智能装备380V高电压转化为10V电压的小信号，转化后的电压、电流小信号被送入到A/D转换单元，A/D转换单元为基于ADS8364的采样电路，A/D转换单元将转换后的数字信息输入至DSP处理单元，其中DSP处理单元为基于TMS320VC33的32位处理芯片，以75MIPS的数据处理速度，对A/D模数转换后的数据有效地进行数据处理，并传递计算智能装备数据信息，当智能装备故障数据的温度阈值低于系统标准的警告阈值，确定为故障危险数据，此类数据临时存储在内存缓冲区中，同时通过数据通讯接口发送到移动终端，通过FPGA控制器检测故障数据，并将模拟数据信号的转化为数字信号，以实现数据信息的实时传输，并实时测量智能装备数据信息系统中的频率、电压有效值、电流有效值、谐波电压、谐波电流、电压不平衡、电流不平衡、闪变、功率、功率因数以及2-68次谐波信号。最终将测量的信号通过以太网、RS485网络或者无线GPRS网络传递到上位机。
作为本发明进一步的技术方案，分类器为决策树分类器，其中决策树分类器设置有数据样本调度模块。
作为本发明进一步的技术方案，数据样本调度模块基于冗余性定量判定方法实现智能装备数据信息诊断，该方法通过冗余性编码、序列特征值检验、偏差积检验、冗余数据状态信息提示和数据容量测量实现数据样本评估，当样本评估数据信息大于样本分类器存储数据，则在该分类器不再分配数据样本，并删除带有显著误差数据信息变量。
作为本发明进一步的技术方案，CNN算法模型通过数据收发器电路实现智能装备数据信息的接收。
作为本发明进一步的技术方案，数据收发器电路设置有单通道高速光耦合器和主控模块。
作为本发明进一步的技术方案，变化模态分解VMD算法通过扩散和漂移忆阻器模型电路提高数据处理能力。
作为本发明进一步的技术方案，扩散和漂移忆阻器模型电路通过FPGA控制智能装备数据信息，进而提高变化模态分解VMD算法的计算能力。
一种智能装备输出数据信息评估方法，其中所述评估方法为通过BP神经网络模型实现智能装备数据信息误差计算，误差计算公式可以为：
Figure 830132DEST_PATH_IMAGE023
（4）
公式（4）中，其中
Figure 760042DEST_PATH_IMAGE024
表示通过BP神经网络模型计算后，输出的智能装备数据信息 评估结果，其中
Figure 455466DEST_PATH_IMAGE025
表示改进型神经网络模型在评估智能装备数据信息的输出结果，其中n 表示为所选择的智能装备数据信息。
本发明有益的积极效果在于：
区别于常规技术，本发明公开一种智能装备输出数据信息处理方法，通过数据采集模块获取智能装备输出数据信息，通过分类器将智能装备输出数据信息进行分类；所述分类器设置有张量自编码器；通过张量自编码器实现智能装备数据信息维度转换，大大提高了数据数理能力。然后通过改进型CNN算法模型实现智能装备输出数据信息故障处理，改进型CNN算法模型中融合变化模态分解VMD算法对不断变化的智能装备信号数据进行迭代变换，实现融合数据的分解，进而输出智能装备故障数据信息，本发明大大提高了智能装备数据处理和评估能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1 为本发明张量自编码器原理结构图；
图2为本发明中数据采集模块原理结构示意图；
图3为本发明中数据采集一种实施例原理示意图；
图4为本发明中数据收发器结构原理示意图；
图5为本发明中扩散和漂移忆阻器模型电路示意图；
图6为本发明中改进型CNN算法模型的原理示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示， 一种智能装备输出数据信息处理方法，包括：
如图1-图6所示，通过CPU和可控升压DC/DC转换器构成的数据采集模块获取智能装备输出数据信息，通过分类器将智能装备输出数据信息进行分类；所述分类器设置有张量自编码器；通过张量自编码器实现智能装备数据信息维度转换，转换函数为：
Figure 585839DEST_PATH_IMAGE026
（1）
公式（1）中，其中θ表示智能装备数据信息转向一维向量的度数，其中
Figure 657701DEST_PATH_IMAGE027
表示 为数据转换的目标函数，其中I和f分别表示张量自编码器在实现数据信息转换的信息变量；
Figure 442117DEST_PATH_IMAGE028
为一级数据降维信息函数，
Figure 495392DEST_PATH_IMAGE029
为二级数据降维信息函数，
Figure 489893DEST_PATH_IMAGE030
为三级数据降维信息函数，
Figure 975232DEST_PATH_IMAGE031
表示智能装备输出数据信息种类，
Figure 4368DEST_PATH_IMAGE032
表示智能装备输出数据 信息集合；
然后通过改进型CNN算法模型实现智能装备输出数据信息故障处理，改进型CNN算法模型中融合变化模态分解VMD算法对不断变化的智能装备信号数据进行迭代变换，实现融合数据的分解，进而输出智能装备故障数据信息。
具体如图6所示，改进型CNN算法模型工作方法为：
将CNN算法模型划分为输入层、隐藏层和输出层，其中隐藏层设置3个层次，在隐藏层中进行智能装备数据信息样本训练，通过变化模态分解VMD算法对接收到的数据信息进行融合处理，变化模态分解VMD算法实现原始数据与模态数据的融合，融合函数为：
Figure 667693DEST_PATH_IMAGE033
(2)
公式(2)中，
Figure 415069DEST_PATH_IMAGE034
表示智能装备中模态数据解析函数，
Figure 500837DEST_PATH_IMAGE035
表示融合过程中产生的 冲击变量，
Figure 509113DEST_PATH_IMAGE036
表示解析误差率，
Figure 451661DEST_PATH_IMAGE037
表示解析融合时间，
Figure 296120DEST_PATH_IMAGE038
表示智能装备运行电压参数，
Figure 933382DEST_PATH_IMAGE039
表示智能装备不同运行状态下的分析频率；
融合后的数据信息在CNN算法模型的隐藏层进行数据计算，单个隐藏节点激活概率函数为：
Figure 671531DEST_PATH_IMAGE040
（3）
公式（3）中，
Figure 191505DEST_PATH_IMAGE041
表示
Figure 647894DEST_PATH_IMAGE042
函数，
Figure 262415DEST_PATH_IMAGE043
表示偏置，
Figure 120650DEST_PATH_IMAGE044
表示连接权重，
Figure 608263DEST_PATH_IMAGE045
表示 输入量，
Figure 912467DEST_PATH_IMAGE046
表示输出量，
Figure 471625DEST_PATH_IMAGE047
表示智能装备输出数据样本编号，j表示隐含层个数。
变化模态分解(Variational Mode Decomposition VMD)算法是一种具有坚实数学基础的分解算法，能够通过建立约束变分模型表达式，将信号以非递归的方式自适应地分解为若干本征模态分量。
DNN中，输入层的每个神经元都与第一个隐藏层的每个神经元连接，在具体应用中，经过前面若干次卷积+激励+池化后，实现智能设备数据信息输出，模型会将学到的一个高质量的特征图片全连接层。其实在全连接层之前，如果神经元数目过大，学习能力强，有可能出现过拟合。因此，可以引入dropout操作，来随机删除神经网络中的部分神经元，来解决此问题。还可以进行局部归一化（LRN）、数据增强等操作，来增加鲁棒性。
VMD 分解得到若干本征模态函数分量，有选择的进行信号重构。VMD是通过迭代搜寻变分模型最优解， 每个模态都是具有中心频率的有限带宽（就是在频域中有在一定的宽度）。所有模态之和为源信号，而对求最优解采用二次惩罚和拉格朗日乘数将上诉约束问题转换为非约束问题，并用交替方向乘子法求解这个非约束问题，通过迭代更新最终得到信号分解的所有模态。分解的所有模态中有包含主要信号的模态和包含噪声的模态。将包含主要信号的模态进行重构，从而达到去噪的效果。
在上述实施例中，如图3所示，获取智能装备输出数据信息时，通过DSP处理单元和FPGA处理单元实现智能设备数据信息的采集，数据采集方法为：
将智能装备380V高电压转化为10V电压的小信号，转化后的电压、电流小信号被送入到A/D转换单元，A/D转换单元为基于ADS8364的采样电路，A/D转换单元将转换后的数字信息输入至DSP处理单元，其中DSP处理单元为基于TMS320VC33的32位处理芯片，以75MIPS的数据处理速度，对A/D模数转换后的数据有效地进行数据处理，并传递计算智能装备数据信息，当智能装备故障数据的温度阈值低于系统标准的警告阈值，确定为故障危险数据，此类数据临时存储在内存缓冲区中，同时通过数据通讯接口发送到移动终端，通过FPGA控制器检测故障数据，并将模拟数据信号的转化为数字信号，以实现数据信息的实时传输，并实时测量智能装备数据信息系统中的频率、电压有效值、电流有效值、谐波电压、谐波电流、电压不平衡、电流不平衡、闪变、功率、功率因数以及2-68次谐波信号。最终将测量的信号通过以太网、RS485网络或者无线GPRS网络传递到上位机。
在具体实施例中，分类器为决策树分类器，其中决策树分类器设置有数据样本调度模块。
在具体实施例中，数据样本调度模块基于冗余性定量判定方法实现智能装备数据信息诊断，该方法通过冗余性编码、序列特征值检验、偏差积检验、冗余数据状态信息提示和数据容量测量实现数据样本评估，当样本评估数据信息大于样本分类器存储数据，则在该分类器不再分配数据样本，并删除带有显著误差数据信息变量。
在具体实施例中，CNN算法模型通过数据收发器电路实现智能装备数据信息的接收。
在具体实施例中，如图4所示，数据收发器电路设置有单通道高速光耦合器和主控模块。
在具体实施例中，数据收发器的
Figure 794153DEST_PATH_IMAGE048
和
Figure 780563DEST_PATH_IMAGE049
引脚分别与单通道高速光耦合器 相连接，时主控模块直接连接的收发脉冲信号与数据收发器实现了电气隔离，利用光耦合 器的隔离作用防止了干扰信号对数据传输精度的影响，并阻挡了外部强电磁脉冲信号，防 止对系统板的敏感电气元件造成损伤。
Figure 336178DEST_PATH_IMAGE050
和
Figure 105551DEST_PATH_IMAGE051
引脚与
Figure 672799DEST_PATH_IMAGE052
、
Figure 187700DEST_PATH_IMAGE053
相连接，消除 数据总线上的高频干扰，并防止过流冲击的影响。
在具体实施例中，变化模态分解VMD算法通过扩散和漂移忆阻器模型电路提高数据处理能力。
在具体实施例中，扩散和漂移忆阻器模型电路通过FPGA控制智能装备数据信息，进而提高变化模态分解VMD算法的计算能力。
如图5所示，为了提高上述评价系统的计算处理能力，该研究采用扩散和漂移忆阻器模型提高了评价平台的处理速度、吞吐量和硬件资源。选择现场可编程门阵列（FieldProgrammable Gate Array，FPGA）作为硬件平台，FPGA由时钟信号控制，因此非常适合在许多应用中处理尖峰信号。首先，基于该FPGA模型扩散记忆细胞层用于供电企业指标参数数据预处理的电路。
在具体实施例中，输入x 1~x 5分别为智能装备运行过程中设备停机、散热不良、灰尘过多、静电软腐蚀和电源供电损坏等不同的故障数据信息，其中i表示数字1~5，指标数据的输入取决于相应数据信号噪声值，输出是由智能装备电流尖峰组成的经处理数据信号。在扩散忆阻器模型比较中，每个数据信号有两个扩散忆阻器模型用于正比较和负比较，时钟信号控制的数据选择器确定比较顺序，整个忆阻性细胞层是管道化的，内部没有任何复杂的计算，在最短时间内提高了智能装备评价系统的处理效率。
一种智能装备输出数据信息评估方法
通过BP神经网络模型实现智能装备数据信息误差计算，误差计算公式可以为：
Figure 840399DEST_PATH_IMAGE054
（4）
公式（4）中，其中
Figure 616725DEST_PATH_IMAGE055
表示通过BP神经网络模型计算后，输出的智能装备数据信息 评估结果，其中
Figure 304058DEST_PATH_IMAGE056
表示改进型神经网络模型在评估智能装备数据信息的输出结果，其中n 表示为所选择的智能装备数据信息。
在具体实施例中，假设有11种智能装备数据信息评估输出，则有 n=11，在具体应用中，引入了适应度函数，通过p表示评估智能装备数据信息的数据输入量，适应度函数可以表示为：
Figure 553643DEST_PATH_IMAGE057
（5）
公式（5）中，在应用改进型神经网络模型时，其中的隐含层节点设置7-12个，权重向量和阈值向量通过在构建BP神经网络算法时设置获得。由于财务数据信息是动态变化的，则通过以下故障概率公式表示，则有：
Figure 569003DEST_PATH_IMAGE058
（6）
公式（6）中，表示改进型神经网络模型在评估智能装备数据信息时异常事故信息 的累计概率，
Figure 8075DEST_PATH_IMAGE059
表示故障概率，
Figure 910434DEST_PATH_IMAGE060
表示在数据节点存在i在的故障数据信息，
Figure 409548DEST_PATH_IMAGE061
为故障常 数，设置迭代计算个数，最终输出精交叉的概率为：
Figure 912205DEST_PATH_IMAGE062
（7）
公式（7）中，其中
Figure 76339DEST_PATH_IMAGE063
表示适应度函数，见公式（5），
Figure 738265DEST_PATH_IMAGE064
表示最大适应度函数，
Figure 283646DEST_PATH_IMAGE065
表示第i个数据节点的适应度函数，
Figure 867075DEST_PATH_IMAGE066
表示平均适应度函数；
通过评估输出后，评估后的输出结果可以表示为：
Figure 333435DEST_PATH_IMAGE067
（8）
通过公式（7）和（8）的计算，智能装备数据信息异常概率可以直接输出，进而实现智能装备数据信息的评估。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种智能装备输出数据信息处理方法，其特征在于：包括：
通过CPU和可控升压DC/DC转换器构成的数据采集模块获取智能装备输出数据信息，通过分类器将智能装备输出数据信息进行分类；所述分类器设置有张量自编码器；通过张量自编码器实现智能装备数据信息维度转换，转换函数为：
Figure 703341DEST_PATH_IMAGE001
（1）
公式（1）中，其中θ表示智能装备数据信息转向一维向量的度数，其中
Figure 971118DEST_PATH_IMAGE002
表示为数据 转换的目标函数，其中I和f分别表示张量自编码器在实现数据信息转换的信息变量；
Figure 427507DEST_PATH_IMAGE003
为一级数据降维信息函数，
Figure 58340DEST_PATH_IMAGE004
为二级数据降维信息函数，
Figure 306788DEST_PATH_IMAGE005
为三级 数据降维信息函数，
Figure 122297DEST_PATH_IMAGE006
表示智能装备输出数据信息种类，
Figure 206928DEST_PATH_IMAGE007
表示智能装备输出数据信息集 合；
然后通过改进型CNN算法模型实现智能装备输出数据信息故障处理，改进型CNN算法模型中融合变化模态分解VMD算法对不断变化的智能装备信号数据进行迭代变换，实现融合数据的分解，进而输出智能装备故障数据信息。
2.根据权利要求1所述的一种智能装备输出数据信息处理方法，其特征在于：改进型CNN算法模型工作方法为：
将CNN算法模型划分为输入层、隐藏层和输出层，其中隐藏层设置3个层次，在隐藏层中进行智能装备数据信息样本训练，通过变化模态分解VMD算法对接收到的数据信息进行融合处理，变化模态分解VMD算法实现原始数据与模态数据的融合，融合函数为：
Figure 500506DEST_PATH_IMAGE008
(2)
公式(2)中，
Figure 839345DEST_PATH_IMAGE009
表示智能装备中模态数据解析函数，
Figure 966701DEST_PATH_IMAGE010
表示融合过程中产生的冲击 变量，
Figure 397683DEST_PATH_IMAGE011
表示解析误差率，
Figure 619586DEST_PATH_IMAGE012
表示解析融合时间，
Figure 452412DEST_PATH_IMAGE013
表示智能装备运行电压参数，
Figure 485090DEST_PATH_IMAGE014
表示智能装备不同运行状态下的分析频率；
融合后的数据信息在CNN算法模型的隐藏层进行数据计算，单个隐藏节点激活概率函数为：
Figure 403368DEST_PATH_IMAGE015
（3）
公式（3）中，
Figure 927497DEST_PATH_IMAGE016
表示
Figure 755775DEST_PATH_IMAGE017
函数，
Figure 83989DEST_PATH_IMAGE018
表示偏置，
Figure 348617DEST_PATH_IMAGE019
表示连接权重，
Figure 194213DEST_PATH_IMAGE020
表示输入 量，
Figure 1632DEST_PATH_IMAGE021
表示输出量，
Figure 126845DEST_PATH_IMAGE022
表示智能装备输出数据样本编号，j表示隐含层个数。
3.根据权利要求1所述的一种智能装备输出数据信息处理方法，其特征在于：获取智能装备输出数据信息时，通过DSP处理单元和FPGA处理单元实现智能设备数据信息的采集，数据采集方法为：
将智能装备380V高电压转化为10V电压的小信号，转化后的电压、电流小信号被送入到A/D转换单元，A/D转换单元为基于ADS8364的采样电路，A/D转换单元将转换后的数字信息输入至DSP处理单元，其中DSP处理单元为基于TMS320VC33的32位处理芯片，以75MIPS的数据处理速度，对A/D模数转换后的数据有效地进行数据处理，并传递计算智能装备数据信息，当智能装备故障数据的温度阈值低于系统标准的警告阈值，确定为故障危险数据，此类数据临时存储在内存缓冲区中，同时通过数据通讯接口发送到移动终端，通过FPGA控制器检测故障数据，并将模拟数据信号的转化为数字信号，以实现数据信息的实时传输，并实时测量智能装备数据信息系统中的频率、电压有效值、电流有效值、谐波电压、谐波电流、电压不平衡、电流不平衡、闪变、功率、功率因数以及2-68次谐波信号；最终将测量的信号通过以太网、RS485网络或者无线GPRS网络传递到上位机。
4.根据权利要求1所述的一种智能装备输出数据信息处理方法，其特征在于：分类器为决策树分类器，其中决策树分类器设置有数据样本调度模块。
5.根据权利要求4所述的一种智能装备输出数据信息处理方法，其特征在于：数据样本调度模块基于冗余性定量判定方法实现智能装备数据信息诊断，该方法通过冗余性编码、序列特征值检验、偏差积检验、冗余数据状态信息提示和数据容量测量实现数据样本评估，当样本评估数据信息大于样本分类器存储数据，则在该分类器不再分配数据样本，并删除带有显著误差数据信息变量。
6.根据权利要求1所述的一种智能装备输出数据信息处理方法，其特征在于：CNN算法模型通过数据收发器电路实现智能装备数据信息的接收。
7.根据权利要求6所述的一种智能装备输出数据信息处理方法，其特征在于：数据收发器电路设置有单通道高速光耦合器和主控模块。
8.根据权利要求1所述的一种智能装备输出数据信息处理方法，其特征在于：变化模态分解VMD算法通过扩散和漂移忆阻器模型电路提高数据处理能力。
9.根据权利要求8所述的一种智能装备输出数据信息处理方法，其特征在于：扩散和漂移忆阻器模型电路通过FPGA控制智能装备数据信息，进而提高变化模态分解VMD算法的计算能力。
10.一种智能装备输出数据信息评估方法，其特征在于：所述评估方法为通过BP神经网络模型实现智能装备数据信息误差计算，误差计算公式可以为：
Figure 754135DEST_PATH_IMAGE023
（4）
公式（4）中，其中
Figure 872264DEST_PATH_IMAGE024
表示通过BP神经网络模型计算后，输出的智能装备数据信息评估 结果，其中
Figure 658823DEST_PATH_IMAGE025
表示改进型神经网络模型在评估智能装备数据信息的输出结果，其中n表示 为所选择的智能装备数据信息。
CN202210671535.6A 2022-06-15 2022-06-15 一种智能装备输出数据信息处理方法及运行评估方法 Pending CN114742182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210671535.6A CN114742182A (zh) 2022-06-15 2022-06-15 一种智能装备输出数据信息处理方法及运行评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210671535.6A CN114742182A (zh) 2022-06-15 2022-06-15 一种智能装备输出数据信息处理方法及运行评估方法

Publications (1)

Publication Number Publication Date
CN114742182A true CN114742182A (zh) 2022-07-12

Family

ID=82287340

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210671535.6A Pending CN114742182A (zh) 2022-06-15 2022-06-15 一种智能装备输出数据信息处理方法及运行评估方法

Country Status (1)

Country Link
CN (1) CN114742182A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN110851654A (zh) * 2019-09-10 2020-02-28 南京邮电大学 基于张量化数据降维的工业设备故障检测分类方法
CN112051480A (zh) * 2020-08-06 2020-12-08 国网安徽省电力有限公司电力科学研究院 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN112903294A (zh) * 2021-01-07 2021-06-04 泰华宏业(天津)智能科技有限责任公司 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190354836A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Dynamic discovery of dependencies among time series data using neural networks
CN110851654A (zh) * 2019-09-10 2020-02-28 南京邮电大学 基于张量化数据降维的工业设备故障检测分类方法
CN112051480A (zh) * 2020-08-06 2020-12-08 国网安徽省电力有限公司电力科学研究院 基于变分模态分解的神经网络配电网故障诊断方法及系统
CN112903294A (zh) * 2021-01-07 2021-06-04 泰华宏业(天津)智能科技有限责任公司 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨同光等: "基于优化变分模态分解和卷积神经网络的齿轮故障诊断", 《组合机床与自动化加工技术》 *
胡晓等: "基于VMD-CNN的水电机组故障诊断", 《水电能源科学》 *

Similar Documents

Publication Publication Date Title
US8655801B2 (en) Computing device, a system and a method for parallel processing of data streams
CN109063939B (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN109548029B (zh) 一种面向无线传感器网络的两级节点信任评估方法
CN113361559B (zh) 基于深宽度联合神经网络的多模态数据知识信息提取方法
CN111884874A (zh) 一种基于可编程数据平面的舰船网络实时异常检测方法
CN118154996B (zh) 一种多尺度深度特征聚合的三维场景点云分类方法
CN113743246A (zh) 一种基于深度学习的关键电能设备故障诊断方法
Wang Analysis of bank credit risk evaluation model based on BP neural network
CN114596464A (zh) 多特征交互的无监督目标检测方法、系统、电子设备和可读存储介质
Wang et al. Tgae: Temporal graph autoencoder for travel forecasting
CN117892117A (zh) 一种配电网输电线路故障定位方法及系统
Xi et al. Type identification and time location of multiple power quality disturbances based on KF‐ML‐aided DBN
CN117633592A (zh) 一种新能源电站智能监盘系统
Vuković et al. Thermal image degradation influence on R-CNN face detection performance
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
CN114742182A (zh) 一种智能装备输出数据信息处理方法及运行评估方法
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
Shu et al. Link prediction model for opportunistic networks based on feature fusion
Clarkson Applications of neural networks in telecommunications
CN115688049A (zh) 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质
Han et al. Online aware synapse weighted autoencoder for recovering random missing data in wastewater treatment process
Wei et al. Compression and storage algorithm of key information of communication data based on backpropagation neural network
CN116957067B (zh) 公共安全事件预测模型的强化联邦学习方法及装置
CN114386601B (zh) 一种面向服务器负载数据的htm高效异常检测方法
Ji et al. Text Data Processing and Classification Algorithm Based on Data Fusion and Granular Computing

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220712

RJ01 Rejection of invention patent application after publication