CN115374822A - 基于多级特征融合的故障诊断方法及其系统 - Google Patents
基于多级特征融合的故障诊断方法及其系统 Download PDFInfo
- Publication number
- CN115374822A CN115374822A CN202211018061.1A CN202211018061A CN115374822A CN 115374822 A CN115374822 A CN 115374822A CN 202211018061 A CN202211018061 A CN 202211018061A CN 115374822 A CN115374822 A CN 115374822A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- value
- vibration signal
- vectors
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims description 430
- 239000013598 vector Substances 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 11
- 230000003993 interaction Effects 0.000 description 10
- 230000002452 interceptive effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000007792 addition Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011089 mechanical engineering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及智能制造的领域，其具体地公开了一种基于多级特征融合的故障诊断方法及其系统，其通过包含嵌入层的上下文编码器和卷积神经网络模型分别对不同位置的振动信号的统计特征进行高维隐含关联的特征提取，进一步以得到的所述两个特征矩阵间的均值矩阵作为支持矩阵，来计算这两个所述特征矩阵相对于所述支持矩阵的真值度量距离矩阵，这样，选择作为均值的所述支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于所述特征矩阵的分类效果。这样就能够对所述智能设备是否存在故障进行更准确地判断。
Description
技术领域
本发明涉及智能制造的领域，且更为具体地，涉及一种基于多级特征融合的故障诊断方法及其系统。
背景技术
在机械工程领域，柴油发动机作为典型的往复式动力机械，广泛应用于汽车、工程机械、农业、化工产业、国防军用装备以及船舶运输业等领域。柴油发动机能否正常、健康地工作，将直接影响整个设备的正常运行，柴油机非正常工作可能导致整个系统故障、停工停产，甚至造成重大事故和经济损失。因此，有效地对柴油发动机进行状态监测和故障诊断研究具有重要意义。
随着人工智能技术的快速发展，基于传统的故障机理研究和信号处理手段的诊断方法逐步向以数据挖掘和模式识别技术为核心的智能化故障诊断技术发展。传统的基于时域、频域和时频特征提取的故障诊断方法所提取的特征并不完全与所诊断的故障模式直接有关，大多数情况下还需要对故障特征进行筛选、评估以及融合，其评估筛选过程往往没有统一量化的指标，仅依赖一定的人工经验或数理统计方法，存在丢失部分特征信息而导致诊断效果不好的情况。
现有基于CNN故障诊断的方法研究大多基于单通道振动信号，忽略了系统整体的相互作用以及综合效应，导致对于复杂故障可能造成诊断信息不够全面，准确率难以提高的问题。因此，为了更好地对智能设备存在的故障进行诊断，期望一种优化的故障诊断方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多级特征融合的故障诊断方法及其系统，其通过包含嵌入层的上下文编码器和卷积神经网络模型分别对不同位置的振动信号的统计特征进行高维隐含关联的特征提取，进一步以得到的所述两个特征矩阵间的均值矩阵作为支持矩阵，来计算这两个所述特征矩阵相对于所述支持矩阵的真值度量距离矩阵，这样，选择作为均值的所述支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于所述特征矩阵的分类效果。这样就能够对所述智能设备是否存在故障进行更准确地判断。
根据本申请的一个方面，提供了一种基于多级特征融合的故障诊断方法，其包括：
通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；
从所述第一振动信号和所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；
将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；
将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；
计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；
分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；
以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵；以及
将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
根据本申请的另一方面，提供了一种基于多级特征融合的故障诊断系统，其包括：
振动信号获取单元，用于通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；
统计特征提取单元，用于从所述振动信号获取单元获得的所述第一振动信号和所述振动信号获取单元获得的所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；
编码单元，用于将所述统计特征提取单元获得的所述第一振动信号的多个统计特征和所述统计特征提取单元获得的所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；
第一卷积处理单元，用于将所述编码单元获得的所述多个第一特征向量和所述编码单元获得的所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；
支持矩阵计算单元，用于计算所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；
真值度量距离矩阵计算单元，用于分别计算所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵相对于所述支持矩阵计算单元获得的所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；
加权单元，用于以所述真值度量距离矩阵计算单元获得的所述第一真值度量距离矩阵和所述真值度量距离矩阵计算单元获得的所述第二真实度量距离矩阵作为权值矩阵对所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵进行加权求和以获得分类矩阵；以及
分类单元，用于将所述加权单元获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
与现有技术相比，本申请提供的基于多级特征融合的故障诊断方法及其系统，其通过包含嵌入层的上下文编码器和卷积神经网络模型分别对不同位置的振动信号的统计特征进行高维隐含关联的特征提取，进一步以得到的所述两个特征矩阵间的均值矩阵作为支持矩阵，来计算这两个所述特征矩阵相对于所述支持矩阵的真值度量距离矩阵，这样，选择作为均值的所述支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于所述特征矩阵的分类效果。这样就能够对所述智能设备是否存在故障进行更准确地判断。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于多级特征融合的故障诊断方法的应用场景图；
图2为根据本申请实施例的基于多级特征融合的故障诊断方法的流程图；
图3为根据本申请实施例的基于多级特征融合的故障诊断方法的系统架构示意图；
图4为根据本申请实施例的基于多级特征融合的故障诊断系统的框图；
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，在机械工程领域，柴油发动机作为典型的往复式动力机械，广泛应用于汽车、工程机械、农业、化工产业、国防军用装备以及船舶运输业等领域。柴油发动机能否正常、健康地工作，将直接影响整个设备的正常运行，柴油机非正常工作可能导致整个系统故障、停工停产，甚至造成重大事故和经济损失。因此，有效地对柴油发动机进行状态监测和故障诊断研究具有重要意义。
随着人工智能技术的快速发展，基于传统的故障机理研究和信号处理手段的诊断方法逐步向以数据挖掘和模式识别技术为核心的智能化故障诊断技术发展。传统的基于时域、频域和时频特征提取的故障诊断方法所提取的特征并不完全与所诊断的故障模式直接有关，大多数情况下还需要对故障特征进行筛选、评估以及融合，其评估筛选过程往往没有统一量化的指标，仅依赖一定的人工经验或数理统计方法，存在丢失部分特征信息而导致诊断效果不好的情况。
现有基于CNN故障诊断的方法研究大多基于单通道振动信号，忽略了系统整体的相互作用以及综合效应，导致对于复杂故障可能造成诊断信息不够全面，准确率难以提高的问题。因此，为了更好地对智能设备存在的故障进行诊断，期望一种优化的故障诊断方法。
近年来，目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为智能设备的故障诊断提供了新的解决思路和方案。
本申请的申请人考虑到对于智能设备的故障诊断这本质上是一个分类的问题。也就是，若想基于系统的整体相互作用以及综合效应来进行智能设备的故障诊断，就需要对不同位置的传感器获取的振动信号波形图进行统计特征的提取，然后再进行是否存在故障的分类判断。
基于此，在本申请的技术方案中，首先，通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取智能设备在预定时间段的第一振动信号和第二振动信号。然后，分别从这两个振动信号中提取多个统计特征，其中包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子。
接着，将这两个振动信号的统计特征分别通过包含嵌入层的上下文编码器中进行编码处理，以提取出各个统计特征的高维隐含特征以及各个统计特征之间的全局高维隐含特征，从而得到多个第一特征向量和多个第二特征向量。然后，将多个第一和第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵M1和第二特征矩阵M2。
为了能够更好地融合这两个波形统计特征中的特征信息，以得到更为准确的分类结果，在本申请的技术方案中，以支持向量作为预定种子，从中心向邻域进行点相关性的生长，以将特征向量在维度和尺度上的稀疏性匹配向稠密性匹配进行转化。
也就是，进一步计算第一特征矩阵M1与第二特征矩阵M2之间的按位置均值矩阵
作为支持矩阵，并分别计算第一特征矩阵M1和第二特征矩阵M2相对于该支持矩阵
的第一真值度量距离(ground-truthmeasurement distance)矩阵和第二真值度量距离矩阵：
其中，以矩阵为幂的指数运算表示以矩阵的每个位置的值作为幂求指数，再将结果填入矩阵的响应位置以得到矩阵运算结果。
这里，
分别表示矩阵的按位置减法和加法，分子矩阵除以分母矩阵为分子矩阵和分母矩阵的按位置相除，且M1-C表示所有位置的值为1的全一矩阵。
分别以第一真值度量距离矩阵和第二真值度量距离矩阵作为加权矩阵对第一特征矩阵和第二特征矩阵进行加权求和以获得分类矩阵。
应可以理解，这样，针对波形统计特征的融合问题，选择作为均值的支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于该特征矩阵的分类效果。
基于此，本申请提出了一种基于多级特征融合的故障诊断方法，其包括：通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；从所述第一振动信号和所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵；以及，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
图1图示了根据本申请实施例的基于多级特征融合的故障诊断方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于智能设备(例如，如图1中所示意的柴油发动机P)的第一位置的第一振动传感器(例如，如图1中所示意的第一加速度传感器T1)获取所述智能设备的第一振动信号，并且通过部署于所述智能设备的第二位置的第二振动传感器(例如，如图1中所示意的第二加速度传感器T2)获取所述智能设备的第二振动信号。然后，将获得的所述智能设备的第一振动信号和第二振动信号输入至部署有基于多级特征融合的故障诊断算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以基于多级特征融合的故障诊断算法对所述智能设备的第一振动信号和第二振动信号进行处理，以生成用于表示所述智能设备是否存在故障的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了基于多级特征融合的故障诊断方法的流程图。如图2所示，根据本申请实施例的基于多级特征融合的故障诊断方法，包括：S110，通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；S120，从所述第一振动信号和所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；S130，将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；S140，将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；S150，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；S160，分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；S170，以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵；以及，S180，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
图3图示了根据本申请实施例的基于多级特征融合的故障诊断方法的架构示意图。如图3所示，在所述基于多级特征融合的故障诊断方法的网络架构中，首先，从所述第一振动信号(例如，如图3中所示意的P1)和所述第二振动信号(例如，如图3中所示意的P2)中提取多个统计特征(例如，如图3中所示意的Q1和Q2)；接着，将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器(例如，如图3中所示意的E)以获得多个第一特征向量(例如，如图3中所示意的VF1)和多个第二特征向量(例如，如图3中所示意的VF2)；然后，将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵(例如，如图3中所示意的M1和M2)后通过第一卷积神经网络(例如，如图3中所示意的CNN1)以获得第一特征矩阵(例如，如图3中所示意的MF1)和第二特征矩阵(例如，如图3中所示意的MF2)；接着，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵(例如，如图3中所示意的MS)；然后，分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵(例如，如图3中所示意的MT1)和第二真实度量距离矩阵(例如，如图3中所示意的MT2)；接着，以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵(例如，如图3中所示意的MF)；以及，最后，将所述分类矩阵通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
在步骤S110和步骤S120中，通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；并从所述第一振动信号和所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子。如前所述，应可以理解，对于智能设备的故障诊断这本质上来说是一个分类的问题。也就是，若想基于系统的整体相互作用以及综合效应来进行所述智能设备的故障诊断，就需要对不同位置的传感器获取的振动信号波形图进行统计特征的提取，然后再进行是否存在故障的分类判断。
也就是，具体地，在本申请的技术方案中，首先，通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器分别获取智能设备在预定时间段的第一振动信号和第二振动信号。特别地，在一个具体示例中，所述智能设备可以是柴油发动机，所述振动传感器可以为加速度传感器。然后，分别从这两个所述振动信号中提取多个统计特征，其中包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子。
在步骤S130和步骤S140中，将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量，并将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵。也就是，在本申请的技术方案中，为了基于这两个所述振动信号的波形统计特征来进行分类，进一步将这两个所述振动信号的统计特征分别通过包含嵌入层的上下文编码器中进行编码处理，以提取出所述各个统计特征的高维隐含特征以及所述各个统计特征之间的全局高维隐含特征，从而得到多个第一特征向量和多个第二特征向量。然后，就可以将所述多个第一和第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络中进行隐性关联特征的挖掘，以获得第一特征矩阵M1和第二特征矩阵M2。相应地，在一个具体示例中，通过所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵和所述第二特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
具体地，在本申请实施例中，将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量的过程，包括：首先，使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第一振动信号的多个统计特征转化为输入向量以获得第一输入向量的序列。接着，使用所述包含嵌入层的上下文编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得所述多个第一特征向量。然后，使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第二振动信号的多个统计特征转化为输入向量以获得第二输入向量的序列。最后，使用所述包含嵌入层的上下文编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得所述多个第二特征向量。
在步骤S150中，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵。应可以理解，为了能够更好地融合这两个所述波形统计特征中的特征信息，以得到更为准确的分类结果，在本申请的技术方案中，以支持向量作为预定种子，从中心向邻域进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化。也就是，具体地，在本申请的技术方案中，首先计算所述第一特征矩阵M1与所述第二特征矩阵M2之间的按位置均值矩阵
作为支持矩阵。
具体地，在本申请实施例中，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵的过程，包括：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；
其中，所述公式为：
其中，M1表示所述第一特征矩阵，M2表示所述第二特征矩阵，α与β作为超参数，⊕表示矩阵的按位置加法。
在步骤S160中，分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵。也就是，在本申请的技术方案中，为了将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化以提高分类的准确度，在得到所述支持矩阵后，进一步分别计算所述第一特征矩阵M1和所述第二特征矩阵M2相对于所述支持矩阵
的第一真值度量距离矩阵和第二真实度量距离矩阵。应可以理解，针对所述波形统计特征的融合问题，选择作为均值的所述支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于该所述特征矩阵的分类效果。
具体地，在本申请实施例中，分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵的过程，包括：以如下公式分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵；其中，所述公式为：
其中exp()表示以矩阵为幂的指数运算，其中，以矩阵为幂的指数运算表示以所述矩阵的每个位置的值作为幂求指数，再将结果填入所述矩阵的响应位置以得到矩阵运算结果，
和
分别表示所述矩阵的按位置减法和加法，分子矩阵除以分母矩阵为所述分子矩阵和所述分母矩阵的按位置相除，且M1-C表示所有位置的值为1的全一矩阵。
在步骤S170和步骤S180中，以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵，并将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。也就是，在本申请的技术方案中，进一步分别以所述第一真值度量距离矩阵和所述第二真值度量距离矩阵作为加权矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵。然后，将所述分类矩阵通过分类器以获得用于表示所述智能设备是否存在故障的分类结果。
具体地，在本申请实施例中，将所述分类矩阵通过分类器以获得分类结果的过程，包括：所述分类器以如下公式对所述分类矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn:…:W1,B1Project(F)，其中Project(F表示将所述分类矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，本申请实施例的基于多级特征融合的故障诊断方法被阐明，其通过包含嵌入层的上下文编码器和卷积神经网络模型分别对不同位置的振动信号的统计特征进行高维隐含关联的特征提取，进一步以得到的所述两个特征矩阵间的均值矩阵作为支持矩阵，来计算这两个所述特征矩阵相对于所述支持矩阵的真值度量距离矩阵，这样，选择作为均值的所述支持矩阵作为交互种子，从交互中心向交互端点进行点相关性的生长，以将所述特征矩阵在维度和尺度上的稀疏性匹配向稠密性匹配进行转化，提高融合后的特征矩阵的特征稠密度，从而提高基于所述特征矩阵的分类效果。这样就能够对所述智能设备是否存在故障进行更准确地判断。
示例性系统
图4图示了根据本申请实施例的基于多级特征融合的故障诊断系统的框图。如图4所示，根据本申请实施例的基于多级特征融合的故障诊断系统400，包括：振动信号获取单元410，用于通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；统计特征提取单元420，用于从所述振动信号获取单元410获得的所述第一振动信号和所述振动信号获取单元410获得的所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；编码单元430，用于将所述统计特征提取单元420获得的所述第一振动信号的多个统计特征和所述统计特征提取单元420获得的所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；第一卷积处理单元440，用于将所述编码单元430获得的所述多个第一特征向量和所述编码单元430获得的所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；支持矩阵计算单元450，用于计算所述第一卷积处理单元440获得的所述第一卷积处理单元440获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；真值度量距离矩阵计算单元460，用于分别计算所述第一卷积处理单元440获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元440获得的所述第二特征矩阵相对于所述支持矩阵计算单元获得的所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；加权单元470，用于以所述真值度量距离矩阵计算单元460获得的所述第一真值度量距离矩阵和所述真值度量距离矩阵计算单元460获得的所述第二真实度量距离矩阵作为权值矩阵对所述第一卷积处理单元440获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元440获得的所述第二特征矩阵进行加权求和以获得分类矩阵；以及，分类单元480，用于将所述加权单元470获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述编码单元430，进一步用于：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第一振动信号的多个统计特征转化为输入向量以获得第一输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得所述多个第一特征向量；使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第二振动信号的多个统计特征转化为输入向量以获得第二输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得所述多个第二特征向量。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述第一卷积处理单元440，进一步用于：将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵；以及，通过所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵和所述第二特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述支持矩阵计算单元450，进一步用于：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；
其中，所述公式为：
其中，M1表示所述第一特征矩阵，M2表示所述第二特征矩阵，α与β作为超参数，
表示矩阵的按位置加法。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述真值度量距离矩阵计算单元460，进一步用于：以如下公式分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵；
其中，所述公式为：
其中，以矩阵为幂的指数运算表示以所述矩阵的每个位置的值作为幂求指数，再将结果填入所述矩阵的响应位置以得到矩阵运算结果，并且
分别表示所述矩阵的按位置减法和加法，分子矩阵除以分母矩阵为所述分子矩阵和所述分母矩阵的按位置相除，且M1-C表示所有位置的值为1的全一矩阵。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述分类单元480，进一步用于：所述分类器以如下公式对所述分类矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn:…:W1,B1Project(F)，其中Project(F表示将所述分类矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
在一个示例中，在上述基于多级特征融合的故障诊断系统400中，所述智能设备为柴油发动机。
这里，本领域技术人员可以理解，上述基于多级特征融合的故障诊断系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于多级特征融合的故障诊断方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于多级特征融合的故障诊断系统400可以实现在各种终端设备中，例如基于多级特征融合的故障诊断算法的服务器等。在一个示例中，根据本申请实施例的基于多级特征融合的故障诊断系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于多级特征融合的故障诊断系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于多级特征融合的故障诊断系统400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于多级特征融合的故障诊断系统400与该终端设备也可以是分立的设备，并且该基于多级特征融合的故障诊断系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于多级特征融合的故障诊断方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于多级特征融合的故障诊断方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于多级特征融合的故障诊断方法，其特征在于，包括：通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；从所述第一振动信号和所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；以所述第一真值度量距离矩阵和所述第二真实度量距离矩阵作为权值矩阵对所述第一特征矩阵和所述第二特征矩阵进行加权求和以获得分类矩阵；以及将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
2.根据权利要求1所述的基于多级特征融合的故障诊断方法，其中，将所述第一振动信号的多个统计特征和所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量，包括：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第一振动信号的多个统计特征转化为输入向量以获得第一输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得所述多个第一特征向量；使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第二振动信号的多个统计特征转化为输入向量以获得第二输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得所述多个第二特征向量。
3.根据权利要求2所述的基于多级特征融合的故障诊断方法，其中，将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵，包括：将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵；以及通过所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵和所述第二特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
4.根据权利要求3所述的基于多级特征融合的故障诊断方法，其中，计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵，包括：以如下公式计算所述第一特征矩阵和所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；其中，所述公式为：
其中，M1表示所述第一特征矩阵，M2表示所述第二特征矩阵，α与β作为超参数，
表示矩阵的按位置加法。
5.根据权利要求4所述的基于多级特征融合的故障诊断方法，其中，分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，包括：以如下公式分别计算所述第一特征矩阵和所述第二特征矩阵相对于所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵；其中，所述公式为：
其中exp()表示以矩阵为幂的指数运算，其中，以矩阵为幂的指数运算表示以所述矩阵的每个位置的值作为幂求指数，再将结果填入所述矩阵的响应位置以得到矩阵运算结果，
和
分别表示所述矩阵的按位置减法和加法，分子矩阵除以分母矩阵为所述分子矩阵和所述分母矩阵的按位置相除，且M1-C表示所有位置的值为1的全一矩阵。
6.根据权利要求5所述的基于多级特征融合的故障诊断方法，其中，将所述分类矩阵通过分类器以获得分类结果，包括：所述分类器以如下公式对所述分类矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
7.根据权利要求6所述的基于多级特征融合的故障诊断方法，其中，所述智能设备为柴油发动机。
8.一种基于多级特征融合的故障诊断系统，其特征在于，包括：振动信号获取单元，用于通过部署于智能设备的第一位置和第二位置的第一振动传感器和第二振动传感器获取所述智能设备在预定时间段的第一振动信号和第二振动信号；统计特征提取单元，用于从所述振动信号获取单元获得的所述第一振动信号和所述振动信号获取单元获得的所述第二振动信号中提取多个统计特征，所述统计特征包括最大值、最小值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根值、波形因子、峰值因子、脉冲因子和裕度因子；编码单元，用于将所述统计特征提取单元获得的所述第一振动信号的多个统计特征和所述统计特征提取单元获得的所述第二振动信号的多个统计特征分别通过包含嵌入层的上下文编码器以获得多个第一特征向量和多个第二特征向量；第一卷积处理单元，用于将所述编码单元获得的所述多个第一特征向量和所述编码单元获得的所述多个第二特征向量分别进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵和第二特征矩阵；支持矩阵计算单元，用于计算所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵之间的按位置均值矩阵作为支持矩阵；真值度量距离矩阵计算单元，用于分别计算所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵相对于所述支持矩阵计算单元获得的所述支持矩阵的第一真值度量距离矩阵和第二真实度量距离矩阵，其中，所述第一真值度量距离矩阵中各个位置的特征值为以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值除以以所述第一特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值与以所述第二特征矩阵中相应位置的特征值与所述支持矩阵中相应位置的特征值之差为幂的自然指数函数值之和，所述第二真值度量距离矩阵为所有位置的值为一的全一矩阵与所述第一真值度量距离矩阵的差值矩阵；加权单元，用于以所述真值度量距离矩阵计算单元获得的所述第一真值度量距离矩阵和所述真值度量距离矩阵计算单元获得的所述第二真实度量距离矩阵作为权值矩阵对所述第一卷积处理单元获得的所述第一卷积处理单元获得的所述第一特征矩阵和所述第一卷积处理单元获得的所述第二特征矩阵进行加权求和以获得分类矩阵；以及分类单元，用于将所述加权单元获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示所述智能设备是否存在故障。
9.根据权利要求5所述的基于多级特征融合的故障诊断系统，其中，所述编码单元，进一步用于：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第一振动信号的多个统计特征转化为输入向量以获得第一输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得所述多个第一特征向量；使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述第二振动信号的多个统计特征转化为输入向量以获得第二输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得所述多个第二特征向量。
10.根据权利要求5所述的基于多级特征融合的故障诊断系统，其中，所述第一卷积处理单元，进一步用于：将所述多个第一特征向量和所述多个第二特征向量分别进行二维排列为特征矩阵；以及，通过所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵和所述第二特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211018061.1A CN115374822A (zh) | 2022-08-24 | 2022-08-24 | 基于多级特征融合的故障诊断方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211018061.1A CN115374822A (zh) | 2022-08-24 | 2022-08-24 | 基于多级特征融合的故障诊断方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115374822A true CN115374822A (zh) | 2022-11-22 |
Family
ID=84068005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211018061.1A Withdrawn CN115374822A (zh) | 2022-08-24 | 2022-08-24 | 基于多级特征融合的故障诊断方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115374822A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115688011A (zh) * | 2022-12-30 | 2023-02-03 | 西安易诺敬业电子科技有限责任公司 | 一种基于文本和语义嵌入的旋转机械复合故障识别方法 |
| CN116470885A (zh) * | 2023-06-17 | 2023-07-21 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
-
2022
- 2022-08-24 CN CN202211018061.1A patent/CN115374822A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115688011A (zh) * | 2022-12-30 | 2023-02-03 | 西安易诺敬业电子科技有限责任公司 | 一种基于文本和语义嵌入的旋转机械复合故障识别方法 |
| CN116470885A (zh) * | 2023-06-17 | 2023-07-21 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
| CN116470885B (zh) * | 2023-06-17 | 2023-09-29 | 浙江佳环电子有限公司 | 高压脉冲电路系统及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
| US10909419B2 (en) | Abnormality detection device, learning device, abnormality detection method, and learning method | |
| CN111160621B (zh) | 一种融合多源信息的短期风电功率预测方法 | |
| CN115147655A (zh) | 油气集输监控系统及其方法 | |
| CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
| CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
| CN107038457B (zh) | 一种基于主分量信噪比的遥测数据压缩批处理方法 | |
| CN115171317A (zh) | 物联网智能家居方法、系统和电子设备 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
| CN114821169B (zh) | 微服务架构下的方法级无侵入调用链路追踪方法 | |
| CN115424204A (zh) | 基于信息融合的行人检测方法及其系统 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| CN115410069A (zh) | 基于多重注意力机制的故障检测方法及其系统 | |
| CN117124138A (zh) | 模具零件自动化加工系统及方法 | |
| CN114881083A (zh) | 监测系统的故障诊断方法、系统和电子设备 | |
| CN114003900A (zh) | 变电站二次系统网络入侵检测方法、装置及系统 | |
| CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
| CN109948812A (zh) | 确定故障原因的方法、装置、存储介质及电子设备 | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
| CN112712855A (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
| CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
| CN115453976A (zh) | 设备状态监测方法及其系统 | |
| CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221122 |
|
| WW01 | Invention patent application withdrawn after publication |