CN115017961B - 基于神经网络数据集增广的润滑设备的智能控制方法 - Google Patents

基于神经网络数据集增广的润滑设备的智能控制方法 Download PDF

Info

Publication number
CN115017961B
CN115017961B CN202210935112.0A CN202210935112A CN115017961B CN 115017961 B CN115017961 B CN 115017961B CN 202210935112 A CN202210935112 A CN 202210935112A CN 115017961 B CN115017961 B CN 115017961B
Authority
CN
China
Prior art keywords
lubrication
grade
data set
signal
poor
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
CN202210935112.0A
Other languages
English (en)
Other versions
CN115017961A (zh
Inventor
何彩霞
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.)
Jiangsu Jianghai Lubricants Hydraulic Equipment Co ltd
Original Assignee
Jiangsu Jianghai Lubricants Hydraulic Equipment 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 Jiangsu Jianghai Lubricants Hydraulic Equipment Co ltd filed Critical Jiangsu Jianghai Lubricants Hydraulic Equipment Co ltd
Priority to CN202210935112.0A priority Critical patent/CN115017961B/zh
Publication of CN115017961A publication Critical patent/CN115017961A/zh
Application granted granted Critical
Publication of CN115017961B publication Critical patent/CN115017961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及应用电子设备进行识别的方法领域，具体涉及一种基于神经网络数据集增广的润滑设备的智能控制方法，包括：对部分信号标注润滑等级得到数据集，根据相似性计算获取未标注信号的滑窗的相似度，根据相似度确定未标注信号的最小周期长度，最小周期长度获取目标滑窗并根据目标滑窗相似度计算确定目标信号片段，对目标信号片段进行干扰性排除确定润滑不良片段，确定润滑不良片段对应的润滑等级标签值并得到更新数据集，根据更新后的数据集对网络训练，得到每个待标注信号的润滑等级标签值并控制调整润滑油量，本发明方法扩增了网络训练集，提高了网络训练结果的准确度，从而实现对润滑设备的润滑点的润滑油量准确调整。

Description

基于神经网络数据集增广的润滑设备的智能控制方法
技术领域
本发明涉及应用电子设备进行识别的技术领域，具体涉及一种基于神经网络数据集增广的润滑设备的智能控制方法。
背景技术
随着社会经济的发展、工业化的推进，大型设备的使用量也随之提高，每个大型设备的润滑系统控制的效果直接会影响设备的使用寿命，而通常情况下无法可视化的监控润滑系统的运行情况，导致润滑系统的会出现有些润滑部位润滑液过量出现漏油现象，而有些润滑部位润滑液不足导致润滑不良的干摩擦现象。因而智能化的对润滑不良的位置进行补给润滑液是十分重要的。
当润滑点存在润滑不良时，就会出现干摩擦造成的温度升高，因而通过监控润滑点的温度状况和声音状况来反映各处的润滑效果，然而利用神经网络来通过声音信号、温度信息来预测各润滑点的润滑情况时，需要利用标注好的数据集来训练网络，由于采集到的声音信息和温度信息不仅包括自身润滑点产生的信息，而且还会受周围工作部件的影响，这些周围部件的不同还会造成声音和温度的不同，例如一个轴承较近的距离存在电动机等部件，其电动机造成温度和声音干扰较大，因此，周围部件也会干扰准确的寻找出自身润滑点由于润滑不良造成的声音、温度波动，从而影响数据集的准确性，进而会导致训练的网络不准确，影响训练结果的准确性。
因此，需要一种通过电子设备识别及处理来对神经网络数据集增广实现润滑设备智能控制的方法。
发明内容
本发明提供一种基于神经网络数据集增广的润滑设备的智能控制方法，以解决现有的问题。
本发明的一种基于神经网络数据集增广的润滑设备的智能控制方法采用如下技术方案：该方法包括：
采集每个润滑点的信号，对部分信号进行润滑等级标注得到数据集；
获取数据集中每个润滑等级的不良信号对应的共有频率区间，获取不良信号在共有频率区间内的频率值个数及个数均值，及每个润滑等级内所有不良信号的频率值对应的共有频率区间的频率值的总个数均值；
获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值；根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度；
以最小周期长度作为滑窗大小获取对应的未标注信号的多个目标滑窗，计算第一个目标滑窗与其他目标滑窗内的信号波形的余弦相似度均值，根据余弦相似度均值及设定的阈值获取目标信号片段；
根据个数均值与目标信号片段中属于共有频率区间的频率值个数计算异常概率，根据异常概率与概率阈值确定润滑不良片段；
根据总个数均值及润滑不良片段在每个润滑等级对应的共有频率区间内的频率值个数计算润滑不良片段属于各润滑等级的最终概率，根据最终概率确定各个润滑不良片段的润滑等级标签值，根据各个润滑不良片段及对应的润滑等级标签值对数据集更新得到更新数据集；
根据更新数据集中的各个信号对应的润滑等级标签值对神经网络训练，给训练好的神经网络输入待润滑点的信号，输出该润滑点的润滑等级标签值，根据润滑等级标签值调整对应润滑点的润滑油量。
进一步的，对部分信号进行润滑等级标注得到数据集的步骤包括：
每个润滑点的信号包括：声音信号、温度信号；
润滑等级包括润滑良好等级、润滑不良等级1、润滑不良等级2、润滑不良等级3及润滑不良等级4，润滑良好等级、润滑不良等级1、润滑不良等级2、润滑不良等级3及润滑不良等级4的润滑等级标签值依次为0、1、2、3、4；
根据润滑点的已标注信号及对应的润滑等级的润滑等级标签值得到数据集。
进一步的，获取数据集中每个润滑等级的不良信号对应的共有频率区间的步骤包括：
数据集中各个不良等级对应的信号即为不良信号；
获取数据集中各个已标注信号中不良信号的频谱信号；
根据频谱信号得到各个不良信号的频率值；
并获取所有不良信号中频率值的最大值和最小值；
根据频率值的最大值和最小值及设定的等级间隔阈值对各个不良信号划分频率等级；
所有不良信号的频率等级对应的频率区间即为不良信号的共有频率区间。
进一步的，获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值步骤包括：
获取每个未标注信号的波形；
设定滑窗尺寸及滑窗滑动步长，根据滑窗尺寸及滑窗滑动步长得到未标注信号的波形的多个滑窗；
计算第一个滑窗与其他所有滑窗的相似度及所有相似度的平均值；
多次调整滑窗尺寸及滑窗滑动步长得到不同尺寸下的滑窗；
获取调整尺寸后的各个尺寸的滑窗对应的相似度的平均值。
进一步的，根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度的步骤包括：
根据各尺寸滑窗的平均值获取该未标注信号的相似度曲线；
获取相似度曲线的第一个极大值对应滑窗的尺寸，该滑窗的尺寸即为该未标注信号的最小周期长度。
进一步的，根据余弦相似度均值及设定的阈值获取目标信号片段的步骤包括：
对所有目标滑窗的余弦相似度均值进行聚类，得到两个类别；
获取两个类别中余弦相似度均值低的低类别余弦相似度均值；
低类别余弦相似度均值所对应的目标滑窗即为目标信号片段。
进一步的，根据不良个数与个数均值计算异常概率的步骤包括：
根据下式（1）计算异常概率：
Figure 100002_DEST_PATH_IMAGE001
（1）
其中，
Figure 706101DEST_PATH_IMAGE002
表示数据集中的不良信号的频率值属于共有频率区间的频率值的个数均值；
Figure 100002_DEST_PATH_IMAGE003
表示第
Figure 59854DEST_PATH_IMAGE004
个目标信号片段中属于共有频率区间的频率值个数。
进一步的，根据总个数均值及润滑不良片段在每个润滑等级对应的共有频率区间内的频率值个数计算润滑不良片段属于各润滑等级的最终概率的步骤包括：
根据下式（2）计算最终概率：
Figure 100002_DEST_PATH_IMAGE005
（2）
其中，
Figure 641008DEST_PATH_IMAGE006
表示第i个润滑不良片段中属于第z个润滑等级的不良信号对应的共有频率区间内的频率值个数；
Figure 100002_DEST_PATH_IMAGE007
表示数据集中第z个润滑等级中所有不良信号属于对应的共有频率区间的频率值的总个数均值。
进一步的，根据最终概率确定各个润滑不良片段的润滑等级标签值的步骤包括：
根据下式（3）计算润滑等级标签值：
Figure 913857DEST_PATH_IMAGE008
（3）
其中，
Figure 100002_DEST_PATH_IMAGE009
各润滑等级的标签值，
Figure 846041DEST_PATH_IMAGE010
表示第i个润滑不良片段属于第z个润滑等级的最终概率；
Figure 100002_DEST_PATH_IMAGE011
为四舍五入取整函数；
Figure 596959DEST_PATH_IMAGE012
表示第i个润滑不良片段的标签值。
本发明的有益效果是：本发明的一种基于神经网络数据集增广的润滑设备的智能控制方法，通过确定每个未标记信号的最小周期长度，获取最小周期长度的每个未标注信号的目标滑窗，根据目标图像的相似度计算得到余弦相似度均值，根据余弦相似度均值确定目标信号片段，获取目标信号片段属于该润滑点的异常概率来确定润滑不良片段，从而实现对其他润滑点产生的信号进行排除，提高获取每个润滑点的润滑不良片段的准确性，同时，通过对润滑不良片段属于润滑等级的最终概率计算，根据最终概率确定润滑等级标签值，根据润滑等级标签值及对应的不良片段对数据集更新，利用更新的数据集来对神经网络训练实现对神经网络训练的准确性，进而利用训练好的网络来准确的预测出各润滑点的润滑等级情况，进而确定各个润滑点需要的润滑油量，应用于通过电子设备识别及处理来对神经网络数据集增广来对润滑设备进行智能控制。
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。
图1为本发明的一种基于神经网络数据集增广的润滑设备的智能控制方法的实施例总体步骤的流程图；
图2为实施例S2步骤中获取共有频率区间的流程图；
图3为实施例S3步骤中相似度的平均值的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种基于神经网络数据集增广的润滑设备的智能控制方法的实施例，该方法包括：
S1、采集每个润滑点的信号，对信号进行润滑等级标注得到数据集；
具体的，根据对应的传感器采集每个润滑点的温度信号和声音信号，然后根据历史经验对部件润滑点的信号进行划分润滑等级，可以将润滑点的润滑等级划分为5个等级，分别为润滑良好等级、润滑不良等级1 、润滑不良等级2 、润滑不良等级3 及润滑不良等级4 ，并得到润滑等级标签值，润滑良好等级、润滑不良等级1、润滑不良等级2、润滑不良等级3及润滑不良等级4的滑等级标签值依次对应为0、1、2、3、4，然后根据滑等级标签值对信号进行标记，将得到的已标注信号及对应的润滑等级标签值作为数据集。
S2、获取数据集中每个润滑等级的不良信号对应的共有频率区间，获取不良信号在共有频率区间内的频率值个数及个数均值，及每个润滑等级内所有不良信号的频率值对应的共有频率区间的频率值的总个数均值。
具体的，获取数据集中每个润滑等级的不良信号对应的共有频率区间的步骤包括：S21、数据集中各个不良等级对应的信号即为不良信号；S22、获取数据集中各个已标注信号中不良信号的频谱信号，具体的，对不良信号进行傅里叶变换得到各不良信号频谱信号；S23、根据频谱信号得到各个不良信号的频率值；为了避免各不良信号中的共有频率会存在一定的频率变动，所以对频率值划分频率等级，具体的，S24、获取所有不良信号中频率值的最大值和最小值；S25、根据频率值的最大值和最小值及设定的等级间隔阈值对各个不良信号划分频率等级；S26、所有不良信号的频率等级对应的频率区间即为不良信号的共有频率区间。
S3、由于每个润滑点的信号，是由于设备运转而产生的，由于设备的运转存在一定的周期性，因而采集到的信号也会出现一定的周期性变化，因此，先获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值；根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度。
具体的，S31、获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值的步骤包括：S311、获取每个未标注信号的波形；S312、设定滑窗尺寸及滑窗滑动步长，根据滑窗尺寸及滑窗滑动步长得到未标注信号的波形的多个滑窗，具体的，当设定的10x10的滑窗，滑动步长为10，则得到未标注信号的波形的多个10x10尺寸的滑窗；S313、计算第一个滑窗即未滑动的滑窗与其他所有滑窗的相似度及所有相似度的平均值；S314、多次调整滑窗尺寸及滑窗滑动步长得到不同尺寸下的滑窗；S315、获取调整尺寸后的各个尺寸的滑窗的相似度的平均值。
具体的，S32、根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度的步骤包括：S321、根据各尺寸滑窗的平均值获取该未标注信号的相似度曲线；S322、先对相似度曲线进行高斯平滑，然后获取相似度曲线的第一个极大值对应滑窗的尺寸，该滑窗的尺寸即为该未标注信号的最小周期长度。
S4、以最小周期长度作为滑窗大小获取对应的未标注信号的多个目标滑窗，由于异常为少发现象，因而存在异常的目标滑窗与其他目标滑窗的相似度较低，因此计算第一个目标滑窗与其他目标滑窗内的信号波形的余弦相似度均值，根据余弦相似度均值及设定的阈值获取目标信号片段；
具体的，S41、基于单个目标滑窗进行分析，计算该目标滑窗与其他目标滑窗的余弦相似度的余弦相似度均值，S42、对所有目标滑窗的余弦相似度均值进行聚类，得到两个类别；S43、获取两个类别中余弦相似度均值低的低类别余弦相似度均值；S44、低类别余弦相似度均值所对应的目标滑窗即为目标信号片段。
S5、由于采集到的声音信息和温度信息不仅包括自身润滑点产生的信息，而且还会受周围工作部件的影响，这些周围部件的不同还会造成声音和温度的不同，例如一个轴承较近的距离存在电动机等部件，其电动机造成温度和声音干扰较大，同时声音信息和温度信息可能会随着设备工作的周期性会呈现一定的变化，且不同的润滑情况下会存在不同形式的温度升高和声音变化，因而可以利用温度升高和声音情况的相似性来分析润滑点的润滑情况，同时周围部件也会出现或多或少的声音、温度波动，为排除目标信号片段中可能会存在周围部件的信号干扰造成的异常，因而需筛除这种异常，保留润滑异常片段，故先根据个数均值与目标信号片段中属于共有频率区间的频率值个数计算异常概率，根据异常概率与概率阈值确定润滑不良片段。
具体的，根据下式（1）计算异常概率：
Figure 626095DEST_PATH_IMAGE001
（1）
其中，
Figure 72776DEST_PATH_IMAGE002
表示数据集中的不良信号的频率值属于共有频率区间的频率值的个数均值；
Figure 554573DEST_PATH_IMAGE003
表示第
Figure 843603DEST_PATH_IMAGE004
个目标信号片段中属于共有频率区间的频率值个数。
其中，当异常概率大于概率阈值时，概率阈值取0.8，则对应的目标信号片段为润滑不良片段。
S6、根据总个数均值及润滑不良片段在每个润滑等级对应的共有频率区间内的频率值个数计算润滑不良片段属于各润滑等级的最终概率，根据最终概率确定各个润滑不良片段的润滑等级标签值，根据各个润滑不良片段对应的润滑等级标签值对数据集更新得到更新数据集。
具体的，根据下式（2）计算最终概率：
Figure 727245DEST_PATH_IMAGE005
（2）
其中，
Figure 341897DEST_PATH_IMAGE006
表示第i个润滑不良片段中属于第z个润滑等级的不良信号对应的共有频率区间内的频率值个数；
Figure 186356DEST_PATH_IMAGE007
表示数据集中第z个润滑等级中所有不良信号属于对应的共有频率区间的频率值的总个数均值。
根据下式（3）计算润滑等级标签值：
Figure 138132DEST_PATH_IMAGE008
（3）
其中，
Figure DEST_PATH_IMAGE013
各润滑等级的标签值，
Figure 548385DEST_PATH_IMAGE014
表示第i个润滑不良片段属于第z个润滑等级的概率；
Figure DEST_PATH_IMAGE015
为四舍五入取整函数；
Figure 599517DEST_PATH_IMAGE016
表示第i个润滑不良片段的标签值。其中，当最大的最终概率值对应的润滑等级即为该润滑等级为润滑不良片段的润滑等级，给该润滑不良片段标注该润滑等级对应的润滑等级标签值，并将该润滑不良片段对应的信号及润滑等级标签值存入数据集得到更新的数据集。
S7、根据更新数据集中的各个信号对应的润滑等级标签值对神经网络训练，该神经网络的损失函数为均方差损失函数，给训练好的神经网络输入待润滑点的信号，输出该润滑点的润滑等级标签值，根据润滑等级标签值调整对应润滑点的润滑油量。
综上所述，本发明提供一种基于神经网络数据集增广的润滑设备的智能控制方法，通过确定每个未标记信号的最小周期长度，获取最小周期长度的每个未标注信号的目标滑窗，根据目标图像的相似度计算得到余弦相似度均值，根据余弦相似度均值确定目标信号片段，获取目标信号片段属于该润滑点的异常概率来确定润滑不良片段，从而实现对其他润滑点产生的信号进行排除，提高获取每个润滑点的润滑不良片段的准确性，同时，通过对润滑不良片段属于润滑等级的最终概率计算，根据最终概率确定润滑等级标签值，根据润滑等级标签值及对应的不良片段对数据集更新，利用更新的数据集来对神经网络训练实现对神经网络训练的准确性，进而利用训练好的网络来准确的预测出各润滑点的润滑等级情况，进而确定各个润滑点需要的润滑油量。
以上所述仅为本发明的较佳实施例而已，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 (9)

1.一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，该方法包括：
采集每个润滑点的信号，对部分信号进行润滑等级标注得到数据集；
获取数据集中每个润滑等级的不良信号对应的共有频率区间，获取所有不良信号的频率值在共有频率区间内的频率值的个数均值，及每个润滑等级内所有不良信号的频率值对应的共有频率区间的频率值的总个数均值；
获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值；根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度；
以最小周期长度作为滑窗大小获取对应的未标注信号的多个目标滑窗，计算第一个目标滑窗与其他目标滑窗内的信号波形的余弦相似度均值，根据余弦相似度均值及设定的阈值获取目标信号片段；
根据个数均值与目标信号片段中属于共有频率区间的频率值个数计算异常概率，根据异常概率与概率阈值确定润滑不良片段；
根据总个数均值及润滑不良片段在每个润滑等级对应的共有频率区间内的频率值个数计算润滑不良片段属于各润滑等级的最终概率，根据最终概率确定各个润滑不良片段的润滑等级标签值，根据各个润滑不良片段及对应的润滑等级标签值对数据集更新得到更新数据集；
根据更新数据集中的各个信号对应的润滑等级标签值对神经网络训练，给训练好的神经网络输入待润滑点的信号，输出该润滑点的润滑等级标签值，根据润滑等级标签值调整对应润滑点的润滑油量。
2.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，对部分信号进行润滑等级标注得到数据集的步骤包括：
每个润滑点的信号包括：声音信号、温度信号；
润滑等级包括润滑良好等级、润滑不良等级1 、润滑不良等级2 、润滑不良等级3 及润滑不良等级4 ，润滑良好等级、润滑不良等级1、润滑不良等级2、润滑不良等级3及润滑不良等级4的润滑等级标签值依次为0、1、2、3、4；
根据润滑点的已标注信号及对应的润滑等级的润滑等级标签值得到数据集。
3.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，获取数据集中每个润滑等级的不良信号对应的共有频率区间的步骤包括：
数据集中各个不良等级对应的信号即为不良信号；
获取数据集中各个已标注信号中不良信号的频谱信号；
根据频谱信号得到各个不良信号的频率值；
并获取所有不良信号中频率值的最大值和最小值；
根据频率值的最大值和最小值及设定的等级间隔阈值对各个不良信号划分频率等级；
所有不良信号的频率等级对应的频率区间即为不良信号的共有频率区间。
4.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，获取每个未标注信号的不同尺寸的多个滑窗；计算每种相同尺寸的第一个滑窗与其他各个滑窗内的信号波形之间的相似度的平均值步骤包括：
获取每个未标注信号的波形；
设定滑窗尺寸及滑窗滑动步长，根据滑窗尺寸及滑窗滑动步长得到未标注信号的波形的多个滑窗；
计算第一个滑窗与其他所有滑窗内的信号波形的相似度及所有相似度的平均值；
多次调整滑窗尺寸及滑窗滑动步长得到不同尺寸下的滑窗；
获取调整尺寸后的各个尺寸的滑窗对应的相似度的平均值。
5.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，根据各个不同尺寸的滑窗对应的平均值确定的未标注信号的最小周期长度的步骤包括：
根据各尺寸滑窗的平均值获取该未标注信号的相似度曲线；
获取相似度曲线的第一个极大值对应滑窗的尺寸，该滑窗的尺寸即为该未标注信号的最小周期长度。
6.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，根据余弦相似度均值及设定的阈值获取目标信号片段的步骤包括：
对所有目标滑窗的余弦相似度均值进行聚类，得到两个类别；
获取两个类别中余弦相似度均值低的低类别余弦相似度均值；
低类别余弦相似度均值所对应的目标滑窗即为目标信号片段。
7.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，根据不良个数与个数均值计算异常概率的步骤包括：
根据下式（1）计算异常概率：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure 660855DEST_PATH_IMAGE002
表示数据集中的所有不良信号的频率值属于共有频率区间的频率值的个数均值；
Figure DEST_PATH_IMAGE003
表示第
Figure 374733DEST_PATH_IMAGE004
个目标信号片段中属于共有频率区间的频率值个数。
8.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，根据总个数均值及润滑不良片段在每个润滑等级对应的共有频率区间内的频率值个数计算润滑不良片段属于各润滑等级的最终概率的步骤包括：
根据下式（2）计算最终概率：
Figure DEST_PATH_IMAGE005
（2）
其中，
Figure 701940DEST_PATH_IMAGE006
表示第i个润滑不良片段中属于第z个润滑等级的不良信号对应的共有频率区间内的频率值个数；
Figure DEST_PATH_IMAGE007
表示数据集中第z个润滑等级中所有不良信号属于对应的共有频率区间的频率值的总个数均值。
9.根据权利要求1所述的一种基于神经网络数据集增广的润滑设备的智能控制方法，其特征在于，根据最终概率确定各个润滑不良片段的润滑等级标签值的步骤包括：
根据下式（3）计算润滑等级标签值：
Figure 893887DEST_PATH_IMAGE008
（3）
其中，
Figure DEST_PATH_IMAGE009
各润滑等级的标签值，
Figure 255729DEST_PATH_IMAGE010
表示第i个润滑不良片段属于第z个润滑等级的最终概率；
Figure DEST_PATH_IMAGE011
为四舍五入取整函数；
Figure 628591DEST_PATH_IMAGE012
表示第i个润滑不良片段的标签值。
CN202210935112.0A 2022-08-05 2022-08-05 基于神经网络数据集增广的润滑设备的智能控制方法 Active CN115017961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210935112.0A CN115017961B (zh) 2022-08-05 2022-08-05 基于神经网络数据集增广的润滑设备的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210935112.0A CN115017961B (zh) 2022-08-05 2022-08-05 基于神经网络数据集增广的润滑设备的智能控制方法

Publications (2)

Publication Number Publication Date
CN115017961A CN115017961A (zh) 2022-09-06
CN115017961B true CN115017961B (zh) 2022-10-21

Family

ID=83065599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210935112.0A Active CN115017961B (zh) 2022-08-05 2022-08-05 基于神经网络数据集增广的润滑设备的智能控制方法

Country Status (1)

Country Link
CN (1) CN115017961B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8107541B2 (en) * 2006-11-07 2012-01-31 Mitsubishi Electric Research Laboratories, Inc. Method and system for video segmentation
CN111860188A (zh) * 2020-06-24 2020-10-30 南京师范大学 一种基于时间和通道双注意力的人体姿态识别方法
CN112418289B (zh) * 2020-11-17 2021-08-03 北京京航计算通讯研究所 一种不完全标注数据的多标签分类处理方法及装置

Also Published As

Publication number Publication date
CN115017961A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN112527788B (zh) 变压器监测数据异常值检测与清洗的方法及装置
CN114167838B (zh) 一种伺服系统多尺度健康评估与故障预测方法
CN109255395B (zh) 一种滚珠丝杠副的寿命预测方法
US20150006972A1 (en) Method for Detecting Anomalies in a Time Series Data with Trajectory and Stochastic Components
CN111458149B (zh) 一种滚动轴承性能及使用寿命的预测方法及系统
CN110858072B (zh) 设备运行状态的确定方法及装置
CN108956111A (zh) 一种机械部件的异常状态检测方法及检测系统
CN112905412A (zh) 关键性能指标数据的异常检测方法及装置
CN110837933A (zh) 基于神经网络的漏损识别方法、装置、设备及存储介质
CN116304957A (zh) 一种供变电设备监测状态突变在线识别方法
CN113221455A (zh) 一种设备的健康状态检测方法和装置
Ye et al. Dynamic health index extraction for incipient bearing degradation detection
CN115017961B (zh) 基于神经网络数据集增广的润滑设备的智能控制方法
CN116662111B (zh) 一种列车智能网络管理控制系统
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN109145773A (zh) 一种多源趋势信息融合的故障预测方法
CN109255201A (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
CN117516670A (zh) 一种物联网超声波水表的数据智能监测方法
CN109165396A (zh) 一种故障演化趋势的设备剩余使用寿命预测方法
CN114510994A (zh) 城市地下燃气泄漏识别模型的训练方法及装置
CN116415129A (zh) 用于评估造纸机的刮刀的健康状态的方法、装置和计算设备
CN113408383A (zh) 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法
CN111444658A (zh) 一种槽型轨几何参数趋势预测方法及系统
CN112228042A (zh) 一种基于云边协同计算的抽油机井工况相似性判别方法
CN117273547B (zh) 基于边缘计算的生产设备运行数据处理方法

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